Данные и ML вакансии

• Разработка моделей эластичности для различных групп клиентов, кластеризации клиентов по их поведенческим характеристикам. • Разработка поведенческих моделей для прогнозирования динамики объемов различных сегментов розничного портфеля Банка в множестве сценариев на периоде жизни портфеля.

• Оценка целей бизнес задач, бизнес метрик, алгоритмов и методов машинного обучения, имеющихся и необходимых данных. Формирование и проверка гипотез.

Требования: — Опыт миграции ETL-систем (желательно с Oracle/Informatica на Apache стек) — Глубокий SQL: оконные функции, сложные джойны, иерархические запросы — Оптимизация SQL для highload (партиционирование, индексы, explain plans) — Oracle (PL/SQL) и PostgreSQL — Greenplum и/или Clickhouse — Проектирование архитектур на Apache Spark (PySpark), NiFi, Airflow — Hadoop (HDFS) и Hive — Мониторинг ETL: Grafana/Prometheus или Victoria Metrics — Опыт работы с биллинговыми системами (желательно телеком-домен) Преимущества: — Потоковая обработка: Kafka Streams / Spark Streaming — Informatica PowerCenter (понимание мигрируемой системы) — Бинарные форматы хранения в Hadoop — Различия: Hive vs Impala, Greenplum vs PostgreSQL, Clickhouse vs PostgreSQL — Patroni для кластеризации PostgreSQL/Greenplum — S3-хранилища — КриптоПро или защищенные каналы передачи данных Задачи: — Миграция ETL-системы телеком-оператора с Oracle/Informatica на Apache стек (S3, Airflow, NiFi, Kafka, Greenplum) — Перенос бизнес-логики из Informatica в высокопроизводительный SQL-код — Написание и оптимизация SQL для витрин данных и ETL-процессов — Разработка DAG-ов в Airflow — Настройка пайплайнов в NiFi (источники: Oracle, PostgreSQL; приемники: S3, файловые архивы) — Разработка Spark-джобов (PySpark) для больших объемов — Интеграция с Kafka для потоковой передачи — Настройка мониторинга (Grafana/Prometheus) и отслеживание метрик — Разбор инцидентов по качеству данных и ошибкам загрузки — Code review

-Подготовкой математического ядра для сервисов, связанных с поиском на Фарпосте. -Помогать улучшать инфраструктуру и внедрять современные инженерные практики для наших сервисов.

LLM, RAG и векторные хранилища; оркестрация в Airflow;

• Строить сложные reward-функции. • Развивать базовую умность модели.

О нас за минуту DV Group — это eRetail маркетинг. У нас две собственные платформы: CDP (DV Platform) — сегментирует покупателей по чековым данным, MAID, строит Sales Lift. DSP (DV Programmatic) — закупает трафик в RTB с таргетингом на реальных онлайн-покупателей (не на интересы). Уникальная интеграция с ПБД. Что предстоит делать Разработка и внедрение ML-моделей Анализ больших объемов данных Построение recommendation / prediction моделей Подготовка и очистка данных Проведение A/B тестов Написание сложных запросов ClickHouse и их оптимизация Взаимодействие с frontend-разработчиками, backend-разработчиками, аналитиками, product-менеджером и DevOps Кто нам нужен Python, SQL, Spark, ClickHouse pandas, numpy, scikit-learn Опыт работы с ML-моделями Работа с оркестраторами (Dagster, Airflow) и Kubernetes Понимание статистики и теории вероятностей Способность разрабатывать надежные ETL пайплайны Что предлагаем Зарплата: 200 000 – 220 000 ₽ оклад net + годовая премия Формат: гибрид или полная удалёнка, но ты проживаешь в РФ График: 10:00–19:00 ДМС со стоматологией после испытательного срока, локация Москва Свой бариста в офисе и правда классный Экспертная среда — никакой скуки, только реальные AdTech-задачи и возможность влиять на продукт Продукт в реестре отечественного ПО — это важно для нас и для клиентов.

Booking — сервис интернет-бронирования отелей по всему миру. Вакансия Data Scientist II (Finance Payments) в компании Booking, расположенной в Амстердаме. Требования к опыту и навыкам: применение методов GenAI, знание SQL, владение Python или R. Размер команды компании — более 10 тысяч человек. CEO компании — Glenn Fogel, ранее вице-президент Morgan Stanley. В компании работает много русскоязычных сотрудников.

Задачи: — Разработка генеративных ИИ-моделей для синтеза визуального и проектного контента на основе структурированных данных товарного каталога в рамках проверки гипотез (PoC) внутри корпоративной платформы по оценке ИИ-инициатив — Разработка архитектуры агентов: управление состоянием диалога и контекстом, динамический выбор инструментов (tool calling), настройка уровней автономности и сценариев human-in-the-loop — Построение системы метрик: разработка офлайн- и онлайн-показателей, кросс-валидация, прямая оценка бизнес-эффекта — Непрерывный мониторинг дрейфа моделей и качества данных в продакшене — Построение пайплайнов оценки (LLM Evals): контроль галлюцинаций, релевантности ответов и мониторинг поведения системы — Обеспечение безопасности: защита от prompt injection, предотвращение утечек персональных данных (PII/privacy) и аудит прав доступа агента — Оценка стоимости, latency и масштабируемости LLM-решений Требования: — Глубокое понимание жизненного цикла ML-модели: от подготовки признаков до интерпретации результатов — Знание методов борьбы с переобучением, data leakage, регуляризации — Уверенный выбор алгоритмов под задачу — Владение матстатистикой для проверки гипотез, расчета доверительных интервалов и самостоятельного дизайна A/B-тестов — Опыт работы хотя бы в одном из направлений: классическое машинное обучение, временные ряды и прогнозирование — Языки и библиотеки: Python (pandas/polars, NumPy, scikit-learn, CatBoost/XGBoost/LightGBM, PyTorch), продвинутый SQL — Написание поддерживаемого production-кода: модульная архитектура, юнит-тесты, логирование, документация, работа с GitFlow и код-ревью — Практический опыт работы с API языковых моделей, платформой Hugging Face и orchestration-фреймворками — Опыт работы в e-commerce, retail или других продуктовых highload-системах — Инфраструктура и оркестрация: Airflow, MLflow, Kafka, Redis, Kubernetes — Мониторинг и наблюдаемость: Prometheus, Grafana, OpenTelemetry — Опыт эксплуатации GPU-инфраструктуры и оптимизации inference — Адаптация моделей через fine-tuning (LoRA/PEFT) — Опыт проектирования agentic workflows или multi-agent-систем — Понимание принципов информационной безопасности, privacy и работы с персональными данными

Ищем сильного Data-инженера для прототипирования корпоративных AI-ассистентов. Это роль на стыке классического DE и AI: нужно не просто строить пайплайны, но и готовить контекст для LLM, оценивать качество RAG и бороться с галлюцинациями.

Вы будете проектировать и развивать пайплайны оценки качества всех компонент AI-чата на базе LLM-моделей и агентских систем. Вы будете участвовать в разработке мультиязычных моделей и адаптации решений под особенности разных стран.

As the Senior Staff Machine Learning Platform Engineer, you will own the technical vision and evolution of Faire’s ML platform. You will set standards, influence org-wide architecture, and lead complex, cross-functional initiatives that unlock data science velocity at scale.

• Own AI features from concept to production, integrating LLMs and custom models. • Work on real-time live-streaming problems — content moderation, recommendations, and more.

Вакансия Senior Dev/ML Ops Engineer в компании Humanoid, расположенной в Великобритании. В описании вакансии конкретные задачи, требования и условия не указаны, но позиция связана с разработкой и эксплуатацией ML-систем (ML Ops).

Задачи: — Эксперименты с претрейн-моделями: ставить и анализировать вычислительно тяжёлые эксперименты с претрейн-стадией, проверять гипотезы об источниках прироста ризонинг-способностей внутри различных срезов умности, постановка и выбор сетапа эксперимента — творческий этап. — Пайплайны данных: строить эффективные пайплайны сбора обучающих данных, их синтеза, обработки и фильтрации в новых доменах, масштабировать пайплайны, делать их более эффективными. — Изменение обучения: модифицировать обучение модели для улучшения ризонинга, внедрять изменения в обучающий пайплайн и оценивать их влияние на качество. — Экспертные модели: обучать модели-верификаторы для проверки качества данных и ответов; модели для генерации обучающих данных — SOTA в своём узком домене; модели-фильтры для отсева некачественных данных. — Исследование скейлинга: исследовать законы скейлинга качества модели с точки зрения данных и вычислений, определять, как масштабирование влияет на рост рассуждающих способностей. Требования: — Глубокое понимание NLP. — Знание Python и опыт разработки на нём. Условия: — В крупных офисах есть спортзалы с тренажёрами, инвентарём и душевыми. — Полный список бонусов доступен по ссылке https://yandex.ru/jobs/pages/benefits.

Задачи: — Design, build, and maintain data infrastructure and pipelines spanning both batch and real-time / streaming workloads, contributing to architectural decisions along the way — Build and maintain scalable, efficient, and reliable ETL/ELT pipelines using languages and frameworks such as Python, SQL, Spark, Flink, Beam, or equivalents — Work on real-time or near-real-time data solutions (e.g. CDC, streaming, micro-batch) for use cases that require timely data — Partner with data scientists, ML engineers, analysts, and product teams to understand data requirements, define SLAs, and deliver coherent data products that others can self-serve — Establish data quality, validation, observability, and monitoring frameworks (data auditing, alerting, anomaly detection, data lineage) — Investigate and resolve complex production issues: root cause analysis, performance bottlenecks, data integrity, fault tolerance — Document data flows, data dictionaries, architecture patterns, and operational runbooks Требования: — 5+ years of experience in data engineering (or similar) roles — Strong experience in ETL/ELT pipeline design, implementation, and optimization — Deep expertise in Python and SQL writing production-quality, maintainable, testable code — Experience with large-scale data warehouses (e.g. Databricks, BigQuery, Snowflake) — Solid grounding in software engineering fundamentals, data structures, and systems thinking — Hands-on experience in data modeling (dimensional modeling, normalization, schema design) — Experience building systems with real-time or streaming data (e.g. Kafka, Kinesis, Flink, Spark Streaming), and familiarity with CDC frameworks — Experience with orchestration / workflow frameworks (e.g. Airflow) — Familiarity with data governance, lineage, metadata, cataloging, and data quality practices

Задачи: — Сбор и анализ требований от внутренних заказчиков к ML-сервисам, помогающим решать прикладные задачи в интересах компании; — Документирование бизнес-требований, функциональных и нефункциональных требований к системе, описание пользовательских сценариев (Use Cases, Use Case Diagram); — Проведение демонстраций решений заказчикам; — Сбор и обработка обратной связи от пользователей, корректировка требований на основе полученных данных; — Коммуникация с отделами и заказчиками, чтобы выявить реальные потребности и сформулировать оптимальные решения. Требования: — Опыт работы системным аналитиком с применением ML от 3 лет; — Опыт разработки бизнес и системных требований; — Понимание процесса разработки ПО и его жизненного цикла; — Понимание принципов работы компьютерных сетей; — Понимание принципов решения задач классификации, кластеризации, регрессии с помощью методов машинного обучения; — Способность работать с массивами информации, выявлять в них значимые закономерности и формировать требования для ML-задач. Преимущество: — Знания в области математической статистики; — Знания Python или другого языка, библиотек для обработки данных; — Знания в области информационной безопасности. Условия: — Работа в офисе: улица Генерала Горбатова, 2; — Официальное оформление по ТК РФ, полностью «белая» заработная плата, оплачиваемые отпуска и больничные; — График работы 5/2, продолжительность рабочего дня 8 часов + 1 час на обед; — Оплачиваемое работодателем питание в офисе или кафе; — ДМС (добровольное медицинское страхование) - различные варианты программ, страховка от несчастных случаев; — Изучение английского онлайн по корпоративным ценам; — Возможность получения профессиональных сертификатов и прохождения курсов повышения квалификации за счёт компании; — Чай и кофе в офисе за счёт компании; — Корпоративные мероприятия и спортивные инициативы.