ML разработчик

Навыки: TensorFlow, Python, PyTorch, NumPy, Deep Learning, Машинное обучение. Квалификация: Senior. Специализации: ML разработчик. ## О нас **DataLouna** — киберспортивная аналитика нового поколения. Уже 4 года наша команда превращает сырые данные CS2 и Dota 2 в уникальную статистику, предсказания и эксклюзивные беттинг-линии. Мы часть крупного IT/киберспортивного холдинга, работаем с топовыми букмекерами. **Отличие от HLTV и Dotabuff:** не агрегируем публичные данные, а создаём собственные метрики вместе с профессиональными аналитиками и тренерами. На этой базе строим B2B-решения: API, предиктивные модели, уникальные линии. **Цель:** стать HLTV 2.0 в аналитике и главным поставщиком данных для беттинг-индустрии. ## Слово от CEO У нас есть то, чего нет у других — уникальная база данных, собранная за годы работы с профессиональными аналитиками. Теперь нужен человек, который раскроет её потенциал. Мир ML развивается стремительно. Мы не знаем заранее, какой инструмент даст лучший результат — трансформеры, гибридные модели или что-то совсем новое. Поэтому ищем того, кто умеет и любит экспериментировать. Задачи-вызовы, которые ждут: - Создать уникальную линию для топового букмекера - Построить LLM-аналитика для киберспорта - Найти подходы, которые вытащат максимум из наших данных Нам не нужен человек, который будет ждать готовых ТЗ. Нужен тот, кто сам предложит гипотезу, проверит её и придёт с результатом. ## О роли Домен — киберспорт: рекомендательные и скоринговые системы для CS2 и Dota 2. Ты будешь работать в связке с ML-инженером, который специализируется на классических методах (CatBoost, XGBoost, деревья). Твоя зона — современные архитектуры: трансформеры, нейросети, новые подходы. Бэкенд-команда готовит инфраструктуру. Профессиональные аналитики помогут разобраться в тонкостях CS2 и Dota 2, вместе будете придумывать фичи. ## Чем будешь заниматься **Разработка моделей** - Трансформеры для табличных данных: TabTransformer, FT-Transformer, TabNet - Модели для последовательностей: Temporal Fusion Transformer, Informer, PatchTST - Эксперименты с адаптацией LLM-подходов к структурированным данным - Гибридные архитектуры (нейросети + классика) для устойчивости **Работа с данными** - Проектирование признаков вместе с аналитиками: эмбеддинги, временная динамика, контекстные фичи - Representation learning, contrastive learning - Сбор и структурирование исторических данных ## Что важно **Обязательно:** - Высшее техническое/математическое образование или 5+ лет подтверждённого опыта в ML - Глубокое понимание трансформеров — не \"использовал библиотеку\", а \"могу модифицировать под задачу\" - PyTorch (предпочтительно) или TensorFlow - Python: numpy, pandas, scikit-learn как базовые инструменты - Опыт с градиентным бустингом (CatBoost / LightGBM / XGBoost) - Опыт обучения и файнтюнинга нейросетей: оптимизаторы, регуляризация, scheduling - Понимание temporal validation, data leakage, data drift **Будет плюсом:** - Участие в ML-соревнованиях с нейросетевыми подходами - Опыт с MLOps: Spark, Airflow, ClickHouse ## Условия - 💰 400 000 – 600 000 ₽ (обсуждается по опыту) - 📍 Удалённая работа - ⏰ Гибкий график ## Как проходит отбор **Скрининг** (15-20 мин) — знакомство, пара вопросов **Техническое интервью** (1.5-2 часа) — обсуждение опыта, подходов к задачам **Оффер** ## Как откликнуться Пришли резюме и ссылки на GitHub / Kaggle / публикации (если есть). **В сопроводительном расскажи:** последнюю ML-задачу, которую решал — какую бизнес-проблему закрывала, какие подходы использовал, какой результат получил.