Senior ML Engineer

Что предстоит делать

<p><strong>МОЙ БАНК — МОЯ ОПОРА.</strong></p><p>Опора миллионов украинцев, кто отныне говорит <strong>«МОЁ»</strong>.</p><p><strong>МОИ ЛЮДИ. МОЁ ДЕЛО. МОЯ СВОБОДА.</strong></p><p><strong>ОЩАДБАНК</strong> приглашает в команду <strong>Senior</strong><strong> </strong><strong>ML</strong><strong> </strong><strong>Engineer</strong></p><p><strong>О роли</strong></p><p>Ищем <strong>Senior ML Engineer</strong> в команду из 5 человек (Team Lead, Middle DS, Senior ML Engineer, Senior Data Engineer, Senior MLOps). Это <strong>hands-on</strong> IC роль: вы самостоятельно дизайните решения, реализуете их и защищаете перед Team Lead и директором департамента.</p><p>Команда выпускает batch-прогнозы для propensity-моделей (склонность клиента к оформлению кредита, карты, депозита, премиум-карты и т.д.). Сейчас — ежемесячный цикл, цель — переход на еженедельный. В production работают ансамбли из custom PyTorch моделей для табличных данных и tree-based моделей (XGBoost, LightGBM, Random Forest). Следующий этап — <nobr>LLM-задачи:</nobr> автоматизация credit memo и внутренний QA-бот по документации.</p><p>Инфраструктура гибридная: данные готовятся on-prem (Oracle DB → ClickHouse, feature store на Feast), вычисления — в облаке. Оркестрация через Airflow, CI/CD — GitLab CI. Валидация моделей (model risk management) — отдельная команда, но вы должны готовить модели и документацию к их стандартам. </p><p><strong>Ключевые задачи: </strong></p><p><strong>Моделирование (≈50% времени)</strong></p><ul><li>Разработка и оптимизация propensity-моделей: архитектура PyTorch-моделей для табличных данных (embeddings, custom losses, ensembling strategies), тюнинг tree-based моделей, построение и калибровка ансамблей</li><li>Гиперпараметрический поиск (Optuna), воспроизводимые эксперименты (MLflow, DVC)</li><li>Подготовка моделей к <nobr>LLM-задачам:</nobr> fine-tuning, RAG-пайплайны, prompt engineering для credit memo и internal QA</li></ul><p><strong>Feature engineering и данные (≈20% времени)</strong></p><ul><li>Проектирование и оптимизация feature pipelines: Oracle DB → ClickHouse → Feast → модель</li><li>Работа с большими табличными датасетами: feature selection, temporal feature engineering, обработка категориальных признаков высокой кардинальности</li><li>Сотрудничество с Data Engineer над качеством и доступностью данных</li></ul><p><strong>Production readiness (≈20% времени)</strong></p><ul><li>Докеризация моделей, подготовка inference-пайплайнов для batch-прогнозов</li><li>Оптимизация throughput для перехода с месячного на недельный цикл (profiling, оптимизация I/O, параллелизация)</li><li>Интеграция с Airflow DAGs для scheduling тренировок и inference</li><li>Подготовка артефактов для команды model validation: метрики, backtesting, документация стабильности</li></ul><p><strong>Процессы и коммуникация (≈10% времени)</strong></p><ul><li>Защита технических решений перед Team Lead и директором департамента</li><li>Code review, техническая документация</li><li>Объяснение результатов моделей бизнес- и риск-стейкхолдерам (feature importance, SHAP)<strong></strong></li></ul><p><strong></strong></p><p><strong>Обязательные навыки:</strong></p><p><strong>ML / DL — практический уровень</strong></p><ul><li>4+ года опыта в ML, из них 2+ года с моделями в production</li><li>PyTorch: custom архитектуры для табличных данных (embeddings для категориальных фичей, numerical encodings, custom loss functions)</li><li>XGBoost / LightGBM / CatBoost: опыт тюнинга и production-использования</li><li>Ensemble methods: stacking, blending, calibration стратегии</li><li>Feature engineering для high-dimensional табличных данных, работа с temporal features</li><li>Hyperparameter optimization (Optuna)</li><li>Explainability: SHAP, feature importance — для коммуникации с бизнесом и model validation</li></ul><p><strong>LLM / NLP — базовый+ уровень</strong></p><ul><li>Практический опыт с LLM: fine-tuning или RAG-пайплайны</li><li>Понимание архитектур (Transformer, attention), prompt engineering</li><li>Опыт с фреймворками: LangChain / LlamaIndex / vLLM или аналоги</li></ul><p><strong>Данные и инфраструктура</strong></p><ul><li>SQL на уровне сложных аналитических запросов (Oracle, PostgreSQL или аналоги)</li><li>Опыт с колоночными СУБД (ClickHouse или аналоги)</li><li>Понимание концепции feature store (Feast — плюс)</li><li>Docker: создание и оптимизация образов для <nobr>ML-сервисов</nobr></li></ul><p><strong>Software Engineering</strong></p><ul><li>Python 3.10+ (strong): типизация, модульная архитектура, чистый код</li><li>Git, code review, тесты (pytest)</li><li>Опыт работы с Airflow или аналогичным оркестратором</li><li>Experiment tracking и model versioning (MLflow, DVC, W&amp;B)</li></ul><p><strong></strong></p><p><strong>Будет плюсом:</strong></p><ul><li>Опыт в банковской сфере или финансовых сервисах (propensity, credit scoring, churn)</li><li>ONNX / TorchScript для оптимизации inference</li><li>Distributed training (PyTorch DDP)</li><li>Опыт с drift detection и automated retraining pipelines</li><li>Работа с PII: анонимизация, маскирование данных</li></ul><p><b>Мы гарантируем:</b></p><p>условия для профессионального и карьерного роста каждого сотрудника;</p><p>официальное трудоустройство с соблюдением всех социальных гарантий согласно КЗоТ (оплачиваемые больничные, отпуск от 29 календарных дней в год);</p><p>бесплатное медицинское страхование для всех работников.</p><p>Отправляйте Ваше резюме — <b>станьте частью </b><b>команды </b><b>ОЩАДА!</b></p> <div> <a href="https://jobs.dou.ua/companies/at-oschadbank/vacancies/333864/#reply-btn-id">Откликнуться на вакансию</a> </div>