ML Engineer (MLOps)

Что предстоит делать

У нас группа компаний МКК. Secunda — наш платежеспособный агент, который мы сделали, чтобы облегчить переводы с клиентами, банками и партнерами. Мы активно растём и удваиваем масштабы каждые полгода, поэтому сейчас в поисках крутого специалиста в нашу команду :) Тебе интересно строить ML-модели, которые реально влияют на бизнес. Хочешь видеть, как твои решения меняют подход к оценке клиентов и делают финтех-сервисы умнее? Тогда тебе к нам!

• Внедрять ML-модели в продакшн: разрабатывать и интегрировать пайплайны для скоринга, оценки рисков и других бизнес-задач в промышленную среду.
• Строить надёжные пайплайны обработки данных: обеспечивать качественную подготовку, валидацию и трансформацию данных для обучения и инференса моделей.
• Оптимизировать производительность алгоритмов: повышать скорость работы кода, снижать потребление ресурсов, улучшать latency и пропускную способность систем.
• Разрабатывать и внедрять MLOps-практики: автоматизировать процессы обучения, тестирования, развертывания и мониторинга моделей (CI/CD для ML).
• Обеспечивать стабильность работы моделей в продакшне: отслеживать дрейф данных и метрик качества, настраивать алерты и процессы переобучения.
• Интегрировать ML-решения с продуктовой архитектурой: работать с разработчиками над созданием API, сервисов и микросервисов на базе моделей.
• Версионировать данные и модели: контролировать воспроизводимость экспериментов и корректное обновление моделей в продакшне.
• Что важно для этой роли:
• Опыт коммерческой разработки от 3 лет на позиции ML-инженера или разработчика с сильным уклоном в машинное обучение (опыт в финтехе или высоконагруженных системах будет преимуществом).
• Уверенное владение Python и навыки написания чистого, поддерживаемого, production-ready кода.
• Глубокое знание ML-библиотек: scikit-learn, XGBoost, LightGBM, pandas, numpy.
• Опыт работы с большими данными: уверенное владение SQL, понимание Spark / Dask / аналогичных инструментов.
• Навыки контейнеризации и оркестрации: опыт с Docker (обязательно), знакомство с Kubernetes.
• Понимание принципов MLOps: опыт с инструментами оркестрации (Airflow / Prefect / Kubeflow), системами трекинга экспериментов (MLflow / Weights & Biases), версионирования данных (DVC).
• Системное мышление: понимание, как устроены пайплайны от источника данных до конечного API, умение проектировать отказоустойчивые решения.
• Опыт работы с Git, понимание CI/CD-процессов (GitHub Actions / GitLab CI / Jenkins).
• Умение работать в команде: взаимодействовать с дата-сайентистами (принимать прототипы и делать их промышленными) и бэкенд-разработчиками (интегрировать решения в продукт).

Что предлагаем