Senior ML Engineer — Demand Forecasting & Inventory Optimization

Старший ML-инженер — прогнозирование спроса и оптимизация запасов

SMALL — одна из крупнейших розничных сетей продуктовых магазинов в Казахстане. Мы управляем более чем 160 магазинами в 10 городах страны.

Мы строим систему автозаказа, которая определяет, сколько товара необходимо заказать в каждый магазин. Ищем сильного ML-инженера, который возьмёт на себя техническое руководство проектом: работу с данными, постановку экспериментов, выбор моделей для продакшен-пайплайна, офлайн- и онлайн-оценку качества, управление автозаказом как продуктом.

Чем предстоит заниматься

• Формировать roadmap ML-экспериментов и самостоятельно выбирать наиболее перспективные направления.
• Исследовать подходы к прогнозированию сезонного, нерегулярного и прерывистого спроса.
• Работать с промо, календарными эффектами, новыми SKU, дефицитом истории и спросом, цензурированным спросом и восстановлением lost sales при отсутствии товара.
• Проводить ABC/XYZ-анализ.
• Развивать rolling-origin backtesting и методологию сравнения моделей без временных утечек.
• Оценивать решения не только по forecast-метрикам, но и по бизнес-результатам: out-of-stock, fill rate, оборачиваемости и объёму избыточного запаса.
• Улучшать преобразование прогноза в заказ с учётом графика поставок, остатка, lead time и ограничений поставщика.
• Развивать продакшен ML-пайплайн: качество данных, воспроизводимость экспериментов, мониторинг моделей и диагностику деградаций.
• Взаимодействовать с командами Data Engineering, инфраструктуры и бизнеса, превращая неопределённые задачи в проверяемые гипотезы и работающие решения.
• Определять техническую архитектуру ML-части системы и стандарты разработки: от подготовки выборок и экспериментов до деплоя и мониторинга.

Что для нас важно

• Сильный практический опыт в машинном обучении и опыт эксплуатации моделей в production.
• Опыт решения задач прогнозирования временных рядов: корректная временная валидация, сезонность, cold start, sparse или intermittent demand.
• Хорошее понимание того, как выбирать метрики и дизайн эксперимента под бизнес-задачу, а не оптимизировать одну офлайн-метрику.
• Уверенные Python и SQL.
• Умение разбираться в данных, находить смещения и утечки, проверять качество источников.
• Способность самостоятельно формулировать план работы, принимать технические решения и доводить изменения до production.
• Готовность объяснять результаты и компромиссы как инженерам, так и бизнесу.
• Дисциплинированный опыт AI-assisted development: умение ускорять работу с помощью coding agents, не перекладывая на них ответственность за корректность решений, качество кода и безопасность данных.

Будет большим плюсом

• Опыт в grocery retail, e-commerce, supply chain или inventory replenishment.
• Опыт построения глобальных моделей на большом количестве связанных временных рядов.
• Понимание retail-специфики: промо, каннибализация, out-of-stock, цензура спроса, ассортиментные изменения, новые магазины и SKU.
• Знание основ inventory optimization: safety stock, service level, lead time, order multiple, lost sales.
• Опыт проведения онлайн-экспериментов или пилотов, где прогноз влияет на реальные операционные решения.
• Опыт с CatBoost, PyTorch, ClickHouse, Kafka, Airflow, SLURM или Kubernetes.

Наш текущий контур

Масштаб задачи:

• несколько миллионов SKU × store комбинаций каждый день
• ежедневный и внутридневной расчет
• прогнозирование на разные горизонты — от нескольких дней до нескольких недель
• несколько лет истории в данных

Сейчас в проекте есть:

• модель прогнозирования спроса на основе градиентного бустинга
• фреймворк для rolling-origin backtesting
• интеграции с ClickHouse, Kafka, Airflow, Slurm, Kubernetes
• продакшен-пайплайн с платформенным мониторингом и наблюдаемостью

То есть задача не «сделать первую модель с нуля». Система уже работает в production в пилотном режиме и используется для формирования заказов на все SKU и магазины.

Куда мы хотим прийти:

• Повысить доступность товаров, одновременно снижая избыточный запас и списания.
• Расширить систему с контура «распределительный центр → магазин» на заказы «поставщик → распределительный центр» и другие supply-chain сценарии.
• Корректно учитывать неопределённость спроса и целевой service level, выбирая квантили прогноза с учётом стоимости дефицита и избыточного запаса.
• Построить устойчивый процесс экспериментов и внедрения изменений с измеримым бизнес-эффектом.

Что мы предлагаем

• Реальный end-to-end ownership: возможность влиять на постановку задачи, данные, модели, backtesting, production и бизнес-метрики.
• Доступ к вычислительному кластеру из 8 нод, каждая — 128 CPU, 2 TB RAM и 8×NVIDIA H200. Мы не требуем использовать deep learning там, где он не нужен, но инфраструктура позволяет проверять вычислительно сложные подходы без искусственных ограничений.
• Возможность удаленной работы или в офисе в Алматы или Астане.