Старший Machine Learning инженер

Что предстоит делать

<p>Присоединяйтесь к Sigma Software, чтобы помогать создавать передовые решения в сфере машинного обучения для одного из крупных игроков экосистемы программатик-рекламы. Мы ищем Senior Machine Learning Engineer с сильным практическим опытом разработки и внедрения ML-решений в продакшене, а также глубоким интересом к системам оптимизации в реальном времени, анализу масштабных поведенческих данных и вызовам сферы AdTech.</p><p>На этой позиции вы будете работать в команде Sigma Software над платформой предиктивного моделирования, интегрированной с действующей рекламной биржей, которая ежедневно обрабатывает сотни миллионов аукционных запросов. Вы будете участвовать в разработке сложных ML-решений для оптимизации ставок, калибровки моделей, контрфактической оценки и систем принятия решений с ограничениями.</p><p>Мы предлагаем возможность работать над технически сложными продуктами, сотрудничать с опытными инженерами и дата-сайентистами, а также напрямую влиять на крупномасштабные продакшен-системы.</p><p><strong>КЛИЕНТ</strong></p><p>Наш Заказчик — технологическая компания, развивающая инфраструктуру supply-side в сфере программатик-рекламы. Компания управляет высоконагруженной рекламной биржей и инвестирует в развитие систем предиктивного принятия решений для улучшения эффективности рекламных кампаний, таргетинга аудиторий и оптимизации рекламных активностей с помощью современных технологий машинного обучения.</p><p><strong>ПРОЕКТ</strong></p><p>Проект сосредоточен на создании платформы предиктивного моделирования и оптимизации поверх действующей среды рекламной биржи. Платформа в режиме реального времени оценивает и фильтрует рекламный инвентарь, прогнозирует наиболее эффективные контексты аудиторий, формирует look-alike сегменты на основе небольших наборов исходных данных и оптимизирует результаты рекламных кампаний с учётом многочисленных бизнес-целей и операционных ограничений.</p><p>Команда работает над сложными задачами машинного обучения, включая моделирование bid landscape для цензурированных данных, атрибуцию конверсий в условиях нехватки и задержки сигналов, системы калибровки, контрфактическую оценку и модели оптимизации с ограничениями. Решение разрабатывается для масштабного использования в продакшене и предполагает тесное сотрудничество с внутренней командой Data Science Заказчика.</p><p><strong>Обязанности</strong></p><ul><li>Разработка и совершенствование моделей bid landscape для оценки распределения clearing price на основе частично наблюдаемых аукционных данных.</li><li>Создание моделей прогнозирования вероятности победы в аукционе (win probability) в режиме реального времени с учётом динамики ставок.</li><li>Проектирование и внедрение иерархических моделей оценки uplift (lift estimation) с использованием стратегий отбора на основе доверительных границ.</li><li>Построение моделей склонности к конверсии (conversion propensity) на основе разреженных, отложенных или агрегированных меток.</li><li>Разработка подходов к моделированию look-alike аудиторий с использованием Positive-Unlabeled Learning и embedding-based nearest neighbor методов.</li><li>Внедрение стратегий калибровки на уровне рекламодателя и независимый мониторинг качества ранжирования и калибровки.</li><li>Разработка надёжных офлайн-фреймворков оценки с применением Inverse Propensity Scoring, Doubly Robust Estimators и Importance Reweighting.</li><li>Определение стратегий исследования (exploration) и подходов к логированию propensity для обеспечения корректной последующей оценки и коррекции моделей.</li><li>Разработка механизмов оптимизации с ограничениями для достижения целей кампаний, соблюдения ценовых ограничений и целевых объёмов трафика.</li><li>Проведение диагностики данных, оценки возможностей системы и подготовка рекомендаций по моделям на основе доказательного подхода.</li><li>Сотрудничество с командой Заказчика во время пост-релизной настройки и проверки производительности моделей.</li><li>Подготовка технической документации и материалов для передачи знаний внутренней команде Data Science Заказчика.</li><li>Участие в архитектурных дискуссиях и принятии решений по построению масштабируемой ML-платформы.</li></ul><p><strong>Требования</strong></p><ul><li>От 5 лет опыта в Machine Learning или Data Science с продакшен-моделями, эффективность которых оценивается через бизнес-KPI.</li><li>Уверенное владение Python, включая NumPy, Pandas и Scikit-learn.</li><li>Сильные навыки работы с SQL и опыт работы с большими наборами данных.</li><li>Глубокий практический опыт работы с XGBoost, LightGBM или CatBoost.</li><li>Основательное понимание регуляризации, методов калибровки и работы с категориальными признаками.</li><li>Сильные знания теории вероятностей, статистики, доверительных интервалов и анализа статистической мощности.</li><li>Практический опыт feature engineering для структурированных и поведенческих данных.</li><li>Практический опыт работы со Spark или PySpark.</li><li>Знание экспериментальных фреймворков и методологий A/B тестирования.</li><li>Опыт применения продвинутых подходов к валидации моделей, включая временные разбиения выборок, выявление data leakage, анализ дрейфа данных и slice-based метрики.</li><li>Понимание методов объяснимости моделей, таких как SHAP и Permutation Importance.</li><li>Уровень английского Upper-Intermediate или выше.</li></ul><p><strong>Будет преимуществом</strong></p><ul><li>Опыт построения моделей в сфере AdTech, включая прогнозирование CTR/CVR, bid landscape modeling, сегментацию аудиторий и понимание механики RTB-аукционов.</li><li>Опыт работы с разреженными, отложенными или цензурированными метками.</li><li>Знание attribution modeling, survival analysis и Positive-Unlabeled Learning. Практический опыт применения методов контрфактической оценки (counterfactual evaluation) и off-policy evaluation.</li><li>Понимание методов калибровки, включая Isotonic Regression и Platt Scaling.</li><li>Опыт работы с иерархическими моделями, Empirical Bayes или Partial Pooling подходами.</li><li>Знание методов оптимизации с ограничениями или многокритериальной оптимизации.</li><li>Опыт uplift modeling и методов причинно-следственного анализа (causal inference).</li><li>Опыт работы с Vertex AI или подобными управляемыми средами для обучения ML-моделей.</li><li>Научные публикации, достижения в соревнованиях по машинному обучению или вклад в open-source проекты в сфере Machine Learning или AdTech.</li></ul><p><strong>Личный профиль</strong></p><ul><li>Сильные аналитические навыки и способность эффективно решать сложные задачи.</li><li>Умение продуктивно работать в среде, ориентированной на данные.</li><li>Развитые коммуникационные навыки и умение взаимодействовать со стейкхолдерами.</li><li>Способность объяснять сложные решения в сфере моделирования как технической, так и нетехнической аудитории.</li><li>Проактивный подход и высокий уровень ответственности за результат.</li><li>Внимательность к деталям и научный подход к проведению экспериментов и оценке моделей.</li></ul> <div> <a href="https://jobs.dou.ua/companies/sigma-software/vacancies/374999/#reply-btn-id">Откликнуться на вакансию</a> </div>