Python разработчик (интеллектуальное ядро CRM)

Что предстоит делать

Описание проекта: Интеллектуальное ядро CRM 2.0 представляет собой прикладную вычислительную платформу, предназначенную для моделирования рынка алюминия, как системы взаимосвязанных объектов, событий и факторов влияния. Ядро используется для решения задач лидогенерации, управления рисками и объяснимого прогнозирования Основные требования: • 5+ лет опыта разработки на python; • Навыки проектирования (system design, проектирование БД); • Опыт работы с графовыми и векторными базами; • Желателен опыт работы с SPARQL, pyMangle; • Уверенные знания postgresql, умение оптимизировать sql-запросы; • Уверенное знание одного из фреймворков: fastapi, django, flask; • Навыки работы с multiprocess/threading; • Базовые навыки devops (docker, k8s), опыт с kafka. Образование и фундаментальные знания: • Глубокое понимание линейной алгебры (матричные операции, разложения, SVD), теории вероятностей, математической статистики (проверка гипотез, регрессионный анализ) и теории графов. Профессиональные компетенции: • Владение аппаратом вероятностных графовых моделей (PGM) - как статических, так и динамических: • Байесовские сети (включая динамические DBN); • Марковские сети (MRF, CRF, динамические марковские сети); • Модели последовательностей (скрытые марковские модели HMM, фильтры Калмана). • Опыт применения байесовских методов: байесовская классификация, байесовский вывод, оценка неопределённости; • Практические навыки вероятностного вывода: использование методов приближённого вывода (вариационный вывод, MCMC) для обучения графовых моделей на больших объёмах данных. Опыт решения прикладных задач: • Моделирование сложных систем во времени: разработка архитектур на основе динамических байесовских сетей (DBN) для анализа поведения пользователей, прогнозирования и выявления скрытых состояний; • Работа с неполными данными: восстановление пропущенных значений в сенсорных данных с помощью байесовских динамических классификаторов и марковских свойств; • Структурное обучение: построение динамических марковских сетей для моделирования изменяющихся зависимостей в финансовых временных рядах с целью повышения точности прогнозов; • Масштабирование вероятностных моделей: опыт применения вариационного вывода и методов MCMC для обучения графовых моделей на больших графовых структурах. Будет плюсом: • Знание современных библиотек и фреймворков для вероятностного программирования (PyMC, Stan, TensorFlow Probability, pgmpy) будет преимуществом; • Способность формализовать предметную область в терминах вероятностных графовых моделей и интерпретировать результаты для бизнес-задач; • Опыт лидства либо менторства.

Что предлагаем