Данные и ML вакансии - гибрид

-Анализировать бизнес задачи/проблемы заказчика, транслировать их в аналитические задачи/решения для удовлетворения требований заказчика. -Разрабатывать документы бизнес-требований по шаблону, включая изменения (BRD на CR), определять требования к данным.

Предстоит: Разрабатывать и поддерживать ETL/ELT-пайплайны для загрузки и обработки данных из различных источников; Участвовать в миграции существующих процессов загрузки данных на новую data-платформу на базе ClickHouse;

• Опыт от 5 лет в Quant / ML / DS. • Сильная математическая база.

Сопровождение ML-решений (мониторинг сервисов и моделей, отслеживание дрейфа данных, работа над развитием); Оценка влияния на бизнес предложенных решений;

Задачи: — Руководство проектированием, разработкой и внедрением on-premises MLOps решений для поддержки доставки моделей машинного обучения — Сотрудничество с дата-сайентистами и разработчиками для создания масштабируемых и эффективных конвейеров данных, систем обучения и деплоя моделей — Разработка и поддержка инструментов мониторинга и управления для обеспечения надежности и производительности MLOps инфраструктуры — Взаимодействие с заинтересованными сторонами для понимания их потребностей в машинном обучении и разработки соответствующих решений — Отслеживание новейших трендов и технологий в области MLOps, машинного обучения и искусственного интеллекта, обмен знаниями с командой — Наставничество младших членов команды и помощь в развитии их навыков в MLOps — Поиск и устранение проблем пользователей Требования: — Опыт работы 5+ лет в MLOps, разработке ПО, инженерии данных или смежных областях — Сильные навыки программирования на современных языках (Java, Scala, Python, Kotlin) — Практический опыт работы с Kubernetes: деплой и эксплуатация рабочих нагрузок, отладка сбоев, работа с основными концепциями (Deployments, ConfigMaps/Secrets, Services, resource limits) — Отличные коммуникативные и командные навыки — Ценность простоты и производительности кода Будет плюсом: — Понимание жизненного цикла ML-проектов — Опыт работы с MLOps платформами, такими как Kubeflow или MLFlow — Опыт с ML-фреймворками: scikit-learn, LGBM, Tensorflow, PyTorch — Опыт работы с Big Data инструментами: Spark, S3, Hadoop — Глубокие знания контейнеризации и оркестрации (Docker, Kubernetes) — Опыт DevOps и CI/CD практик — Опыт создания и масштабирования инструментов для обслуживания моделей, включая построение API с жесткими SLA — Страсть к инженерной стороне машинного обучения и масштабированию — Опыт проектирования и построения MLOps инфраструктуры, включая конвейеры данных, системы обучения и деплоя моделей, а также инструменты мониторинга и управления.

Верификация данных (Анализ видео и логов): Просматривать видеозаписи рабочих смен и анализировать интервалы, распознанные ML-моделью. Ваша задача - оценить, насколько точно модель определила действия сотрудника.

-разработка и оптимизация ETL/ELT-конвейеров для обработки больших данных. -настройка и администрирование Hadoop/Spark-инфраструктуры (HDFS, YARN, Hive, HBase).

— Разрабатывать и поддерживать реализованные рекомендательные решения. — Искать новые гипотезы для улучшения пайплайнов обучения моделей и добавления новых признаков.

решать продуктовые задачи с помощью ML: от постановки гипотезы и исследования данных до запуска решения в production и оценки бизнес-эффекта; развивать ML-модели, влияющие на клиентский опыт и бизнес-метрики продукта.

Модели продаж: строить и улучшать маркетинг-микс модели продаж брендов.

Задачи: — участвовать в полном цикле разработки AI-агентов и универсальных ассистентов: от идеи и проектирования до запуска в продакшн — проводить эксперименты, тестировать гипотезы и исследовать новые подходы для создания агентских решений — разрабатывать и внедрять LLM-пайплайны, чат-ботов и интеллектуальные системы — обучать и дообучать NLP-модели под конкретные задачи продукта — интегрировать разработанные модели и логику в бизнес-процессы — мониторить качество работы моделей в продакшне, находить узкие места и оперативно вносить улучшения. Требования: — опыт в NLP и понимание технологий: от классических алгоритмов до трансформеров и генеративных моделей (LLM) — практический опыт коммерческой разработки AI-агентов, чат-ботов и LLM-пайплайнов — опыт обучения глубоких нейронных сетей — уверенное владение PyTorch, NumPy, Pandas, а также фреймворками для работы с агентами: LangChain, LangGraph (или их аналогами) — уверенное владение Python, Git, SQL, Bash, Docker. Умение писать чистый, поддерживаемый и тестируемый код — навык перевода бизнес-требований в конкретные технические и алгоритмические решения. Будет плюсом: — понимание принципов микросервисной архитектуры и опыт проектирования REST API — опыт разработки асинхронных и многопоточных приложений (asyncio, aiohttp, multiprocessing и др.) — опыт взаимодействия с реляционными и нереляционными базами данных — практический опыт настройки и поддержки CI/CD-пайплайнов (Jenkins, GitLab CI, ArgoCD или аналоги) — опыт развёртывания и управления приложениями в Kubernetes. Условия: — комфортный современный офис рядом с м. Кутузовская — гибридный формат работы — ежегодный пересмотр зарплаты, квартальная и годовая премия — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — программа адаптации и помощь руководителя на старте — расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа — гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ — подписка Прайм с возможностью совместного использования на трёх близких — вознаграждение за рекомендацию друзей в команду Сбера.

-Участвовать в разработке и поддержке моделей кредитного риска для юридических лиц. -Анализировать данные, создавать признаки, реализуя Feature store, и отбирать признаки для моделей.

-Участвовать в разработке и поддержке моделей кредитного риска для юридических лиц.

Предстоит: Проектировать и внедрять ML-решения (от классического регрессионного анализа до Time Series и Uplift-моделей); Строить высокопроизводительные пайплайны обработки данных и генерации признаков на PySpark;

Построением ML-моделей прогноза продаж и клиентопотока в отделениях Сбера.

проектировать и реализовывать end-to-end LLM-пайплайны, включая продвинутые RAG-системы (индексация, ретривал, ранжирование, генерация). разрабатывать автономных AI-агентов с использованием планирования, вызова инструментов (function calling) и мультиагентной оркестрации.

Perplexity is looking for a Machine Learning Engineer to develop search, retrieval, LLM training, and multi-agent systems.

• Коммерческий опыт построения и развития DWH и data pipelines. • Уверенный коммерческий опыт минимум с 3 из 4 инструментов: ClickHouse, Debezium, dbt, Airflow.