Обязанности:
Задачи: - разработка и улучшение ML-моделей прогнозирования спроса и оценки ценовой эластичности (gradient boosting, регрессионные модели, трансформеры); - проектирование и оптимизация end-to-end ML-пайплайнов: от фичеинжиниринга до продакшн-инференса; - фичеинжиниринг на больших объёмах транзакционных данных (временные агрегаты, лаги, rolling-признаки, сезонность, RFM-сегментация); - оптимизация обучения и скоринга моделей: распараллеливание, профилирование, работа с распределёнными фреймворками (Dask, Spark, Ray); - разработка оптимизационных алгоритмов с математическими ограничениями (целевые функции, регуляризация); - внедрение моделей в продакшн (Docker, REST/Batch-инференс, мониторинг качества и дрейфа); - проведение A/B-тестов, анализ метрик качества моделей, интерпретация результатов (SHAP, feature importance). Требования: - практического опыта в ML / Data Science не менее 3 лет; - глубокая экспертиза в gradient boosting (CatBoost/XGBoost/LightGBM): тюнинг гиперпараметров, регуляризация, работа с категориальными признаками, масштабирование на GPU/CPU; - уверенный Python для продакшн-ML (pandas, NumPy, SciPy, scikit-learn); - опыт построения и валидации ML-пайплайнов на больших данных (100K+ объектов); - сильный фичеинжиниринг на табличных и временных данных - опыт оптимизации и распараллеливания ML-вычислений (multiprocessing, Dask, Spark, Ray); - SQL на уровне работы с большими таблицами (joins, window-функции, оптимизация запросов); - понимание статистики (A/B-тесты, доверительные интервалы, проверка гипотез) и оптимизационных методов; - опыт применения трансформеров будет плюсом; - знание MLOps (Airflow/Prefect, MLflow, мониторинг дрейфа) будет плюсом; - опыт в домене ритейла / ценообразования / программ лояльности будет плюсом.Похожие вакансии
Договорная
Санкт-Петербург
СПб ГКУ Санкт-Петербургский информационно-аналитический центр