Senior ML-инженер / Applied Data Scientist

Мы ищем специалиста по прикладной науке о данных или инженера, ориентированного на продукт, который превращает сырые операционные данные в продукты, измеримо улучшающие то, как наши клиенты принимают решения и ведут бизнес. Название должности для нас менее важно, чем то, станут ли клиенты лучше. Это не исследовательская роль, не внутренняя аналитика и не позиция только для построения моделей. Нам нужен владелец: человек, который формулирует проблему, изучает предметную область, создаёт данные, если их нет, внедряет модель и остаётся с ней, пока клиенты не начнут действовать на её основе и измерять результат. Путь лежит через инженерию данных; развёртывание и тестирование — часть поставки, а не передача задачи. Вы понимаете, что хорошие модели не просто точны в ноутбуках — они пригодны к использованию, объяснимы и измеримы внутри реального продукта. Независимо от того, пришли ли вы в эту работу через статистику, разработку ПО, аналитику или инженерию данных, у вас есть сильный уклон в сторону поставки.

Задачи

• Владеть результатом: взять неоднозначную клиентскую проблему, решить, подходит ли ML, построить решение и оставаться с ним, пока клиенты не начнут действовать на его основе.
• Изучать предметную область: свободно разбираться в семантике того, как работают наши клиенты — что на самом деле означают маршрут, бригада или история обслуживания. Точная, но неверная с точки зрения предметной области модель не создаёт ничего.
• Создавать необходимые данные: когда признаков не существует, создавать их в Snowflake и dbt, а не ждать, пока это сделает кто-то другой.
• Делать ценность понятной: решать, как прогноз доходит до клиента, чтобы он его понимал, доверял ему и действовал на его основе, а затем сообщать о фактическом влиянии обратно продукту и бизнесу в цифрах, которые выдерживают проверку.
• Честно измерять: определять офлайн- и онлайн-оценку качества модели, дрейфа и надёжности, а также проектировать A/B-тесты или причинно-следственный анализ, доказывающие, что функция улучшила результаты клиентов.
• Поставлять и эксплуатировать: развёртывание, тестирование, версионирование, мониторинг и обнаружение дрейфа. Поставка — часть работы, а не передача.
• Встраиваться в продукт: сотрудничать с продакт-менеджерами и инженерами-программистами, чтобы встроить ML в реальные продуктовые процессы, и чётко говорить, когда ML не является ответом.

Требования

• Опыт: 5+ лет в прикладной науке о данных, ML-инженерии или инженерии данных, включая владение моделями в продакшене — как минимум одна модель, которую вы построили и внедрили в реальный продукт. Опыт в B2B SaaS — сильный плюс.
• Техническое ядро: сильный Python и прикладные ML-библиотеки для табличных задач (scikit-learn, XGBoost или LightGBM, statsmodels или Prophet). Твёрдое владение SQL обязательно.
• Глубина в ML и моделировании: опыт в обучении с учителем, прогнозировании, ранжировании, рекомендациях или оптимизации. Вы моделировали грязные операционные данные, а не эталонные наборы.
• Данные и поставка: вы создаёте нужные данные и поставляете то, что построили — моделирование в dbt и Snowflake, конвейеры признаков, развёртывание, мониторинг и обнаружение дрейфа. Мы работаем на AWS.
• Измерение и повествование: вы количественно оценивали бизнес-влияние внедрённой модели — принятие, результат, ROI — и представляли его людям, которые никогда не будут читать ваш ноутбук.
• Коммуникация и сотрудничество: отличные коммуникативные навыки и умение ясно объяснять сложные технические компромиссы продукту, инженерии и нетехническим бизнес-заинтересованным сторонам.

Бонусные пункты

• Работа с агентами: вы использовали кодирующих агентов в реальной работе по моделированию или инженерии, умеете отличать корректный вывод от просто правдоподобного и вкладываетесь в каркас, ускоряющий поставку следующей модели.
• Decision intelligence: опыт с decision intelligence, прогнозированием, моделированием поведения клиентов, оптимизацией рабочей силы/маршрутов или продуктами операционной аналитики.
• Лидерство: предыдущий опыт старшего или ведущего научного сотрудника или инженера, отвечающего за техническое направление.
• LLM / агентный ИИ.

Как мы работаем

Мы строим с помощью кодирующих агентов. Вы задаёте направление и цели, критически проверяете вывод и создаёте каркасы — строительные леса, контекст, тесты, циклы проверки — которые ускоряют поставку следующей модели. Рычаг — в верификации: бэктесты, каркас оценки и проверки данных, которые делают сгенерированную работу безопасной для доверия.