Senior ML Engineer

Что предстоит делать

Навыки: Python, SQL, PyTorch, ClickHouse, Apache Kafka, Apache Airflow, Kubernetes. Квалификация: Senior. Специализации: ML разработчик. **Small **— одна из крупнейших grocery retail сетей в Казахстане — мы управляем более чем 160 магазинами в 10 городах страны. Мы строим систему автозаказа, которая определяет, сколько товара необходимо заказать в каждый магазин. *Ищем сильного ML-инженера*, который возьмёт на себя технический ownership проекта: работу с данными, постановку экспериментов, выбор моделей для production-пайплайна, offline и online оценку качества, управление автозаказом как продуктом. **Чем предстоит заниматься:** - Формировать roadmap ML-экспериментов и самостоятельно выбирать наиболее перспективные направления. - Исследовать подходы к прогнозированию сезонного, нерегулярного и прерывистого спроса. - Работать с промо, календарными эффектами, новыми SKU, дефицитом истории и спросом, цензурированным спросом и восстановлением lost sales при отсутствии товара. - Проводить ABC/XYZ-анализ. - Развивать rolling-origin backtesting и методологию сравнения моделей без временных утечек. - Оценивать решения не только по forecast-метрикам, но и по бизнес-результатам: out-of-stock, fill rate, оборачиваемости и объёму избыточного запаса. - Улучшать преобразование прогноза в заказ с учётом графика поставок, остатка, lead time и ограничений поставщика. - Развивать production ML-пайплайн: качество данных, воспроизводимость экспериментов, мониторинг моделей и диагностику деградаций. - Взаимодействовать с командами Data Engineering, инфраструктуры и бизнеса, превращая неопределённые задачи в проверяемые гипотезы и работающие решения. - Определять техническую архитектуру ML-части системы и стандарты разработки: от подготовки выборок и экспериментов до деплоя и мониторинга. **Что для нас важно:** - Сильный практический опыт в машинном обучении и опыт эксплуатации моделей в production. - Опыт решения задач прогнозирования временных рядов: корректная временная валидация, сезонность, cold start, sparse или intermittent demand. - Хорошее понимание того, как выбирать метрики и дизайн эксперимента под бизнес-задачу, а не оптимизировать одну offline-метрику. - Уверенные Python и SQL. - Умение разбираться в данных, находить смещения и утечки, проверять качество источников. - Способность самостоятельно формулировать план работы, принимать технические решения и доводить изменения до production. - Готовность объяснять результаты и компромиссы как инженерам, так и бизнесу. - Дисциплинированный опыт AI-assisted development: умение ускорять работу с помощью coding agents, не перекладывая на них ответственность за корректность решений, качество кода и безопасность данных. **Будет большим плюсом: ** - Опыт в grocery retail, e-commerce, supply chain или inventory replenishment. - Опыт построения глобальных моделей на большом количестве связанных временных рядов. - Понимание retail-специфики: промо, каннибализация, out-of-stock, цензура спроса, ассортиментные изменения, новые магазины и SKU. - Знание основ inventory optimization: safety stock, service level, lead time, order multiple, lost sales. - Опыт проведения онлайн-экспериментов или пилотов, где прогноз влияет на реальные операционные решения. - Опыт с CatBoost, PyTorch, ClickHouse, Kafka, Airflow, SLURM или Kubernetes. **Наш текущий контур ** *Масштаб задачи:* - несколько миллионов SKU × store комбинаций каждый день - ежедневный и внутридневной расчет - прогнозирование на разные горизонты -- от нескольких дней до нескольких недель - несколько лет истории в данных *Сейчас в проекте есть:* - модель прогнозирования спроса на основе градиентного бустинга; - фреймворк для rolling-origin backtesting; - интеграции с ClickHouse, Kafka, Airflow, Slurm, Kubernetes; - production-пайплайн с платформенным мониторингом и наблюдаемостью. То есть задача не «сделать первую модель с нуля». Система уже работает в production в пилотном режиме и используется для формирования заказов на все SKU и магазины. *Куда мы хотим прийти:* - Повысить доступность товаров, одновременно снижая избыточный запас и списания. - Расширить систему с контура «распределительный центр → магазин» на заказы «поставщик → распределительный центр» и другие supply-chain сценарии. - Корректно учитывать неопределённость спроса и целевой service level, выбирая квантили прогноза с учётом стоимости дефицита и избыточного запаса. - Построить устойчивый процесс экспериментов и внедрения изменений с измеримым бизнес-эффектом. **Что мы предлагаем:** - Реальный end-to-end ownership: возможность влиять на постановку задачи, данные, модели, backtesting, production и бизнес-метрики. - Доступ к вычислительному кластеру из 8 нод, каждая — 128 CPU, 2 TB RAM и 8×NVIDIA H200. Мы не требуем использовать deep learning там, где он не нужен, но инфраструктура позволяет проверять вычислительно сложные подходы без искусственных ограничений. - Возможность удаленной работы или в офисе в Алматы или Астане