ML/DS инженер (классическое ML)

Удаленная позиция ML/DS инженера в Noveradev: разработка классических моделей машинного обучения (градиентный бустинг, логистическая регрессия) для кредитного скоринга, прогнозирования оттока, оценки рисков и рекомендательных систем.

Разработка и внедрение классических моделей машинного обучения: градиентный бустинг (LightGBM, XGBoost, CatBoost), логистическая регрессия, случайный лес, линейные модели. Решение бизнес-задач: кредитный скоринг, прогнозирование оттока, оценка рисков, рекомендательные системы на основе коллаборативной фильтрации, прогнозирование временных рядов. Инженерия признаков – создание и отбор признаков, работа с большими объемами структурированных данных (SQL, Spark, Pandas). Построение пайплайнов обучения и валидации с учетом требований интерпретируемости (SHAP, LIME, Feature Importance). Разработка пайплайнов для A/B-тестирования и пост-релизного мониторинга моделей (дрейф данных, дрейф целевой переменной). Интеграция моделей в производственную среду через API (FastAPI, Flask) и оркестрацию (Docker, Kubernetes). Взаимодействие с клиентами: уточнение бизнес-метрик, презентация результатов, написание технической документации.

Коммерческий опыт в Data Science / ML. Глубокое знание Python и стека: pandas, numpy, scikit-learn, а также одного из фреймворков градиентного бустинга (LightGBM, XGBoost, CatBoost). Уверенный SQL – написание сложных запросов, работа с большими данными (ClickHouse, PostgreSQL, Greenplum или аналоги). Понимание метрик качества для классификации, регрессии, ранжирования: precision/recall, ROC-AUC, lift, MAP, NDCG. Опыт построения сквозных ML-пайплайнов: от извлечения данных до развертывания и мониторинга. Знание MLOps-инструментов: MLflow, DVC, опыт работы с CI/CD для ML-проектов. Желательно: опыт в uplift-моделировании (каузальные модели, Meta-learners, деревья решений для uplift); опыт в кредитном скоринге – построение скоринговых карт, работа с кредитными бюро, регуляторные требования к интерпретируемости; практический опыт использования AI-инструментов (Claude Code, OpenAI Codex, OpenCode) в коммерческой разработке – для кода, тестов, ревью, документации – с обязательной проверкой результатов и соблюдением конфиденциальности.