Applied ML / LLM Engineer

Что предстоит делать

Мы - активно развивающийся FinTech стартап, создающий consumer-продукт для международного рынка. Наш продукт анализирует банковские транзакции пользователя, находит регулярные платежи и подписки и помогает находить возможности для оптимизации расходов. Сейчас часть анализа выполняется вручную. Наша следующая задача - понять и построить правильную архитектуру автоматизации: где использовать правила, где классический ML, где LLM и как объединить это в надежную production-систему. Ищем Applied ML / LLM Engineer, который умеет не просто работать с API готовых моделей, а решать прикладные задачи на реальных данных: проектировать архитектуру, выбирать подходы, строить ML/LLM-пайплайны и измерять качество результата.

• Проектировать систему анализа банковских транзакций: от сырых данных до структурированного результата и рекомендаций пользователю
• Решать задачи классификации транзакций, merchant normalization, recurring payments detection и anomaly detection
• Определять, какие части системы эффективнее решать через deterministic rules, классический ML, embeddings или LLM
• Определять подписки и регулярные платежи, периодичность списаний и изменения стоимости
• Нормализовывать merchant: понимать, что разные названия транзакций относятся к одной компании/сервису
• Отделять реальные подписки от аренды, переводов, возвратов, дублей и других регулярных транзакций
• Работать с confidence score и false positives / false negatives, определять пороги и логику обработки пограничных случаев
• Продумывать слой рекомендаций: как на основании истории транзакций находить реальные возможности для экономии пользователя
• Проектировать путь от прототипа до production: данные, пайплайны, мониторинг качества, обработка ошибок, стоимость и масштабирование

Что ждём от вас

• Практический опыт с classification, recommendation systems, anomaly detection, entity/merchant normalization или похожими задачами
• Умеете самостоятельно выбрать архитектуру под задачу и аргументировать выбор модели/подхода
• Понимаете, как строятся production ML / LLM pipelines, а не только прототипы и API-интеграции
• Умеете определять метрики качества, работать с precision/recall, false positives и confidence score
• Понимаете требования к данным: какие данные нужны для обучения и валидации, как формировать dataset и ground truth
• Можете оценить сроки, ресурсы и основные технические риски перевода решения в production
• Уверенно работаете с Python и современным ML/LLM stack
• Будет сильным плюсом: опыт с FinTech / banking data / Open Banking / transaction categorization / recurring payments / recommendation systems, а также реальный опыт запуска ML-систем в production.

Что предлагаем