Вакансии

Plaid is looking for a Model Governance Lead Credit to govern and validate credit models and manage model risk.

207 600 – 306 600 $

-Define the long-term technical roadmap for Growth and Engagement ML systems, ensuring scalability, reliability, and measurable business impact. -Architect and deploy production-grade ML pipelines and real-time decisioning systems that power personalization, notification dispatch, and onboarding flows.

Зарплата не указана

🎯 Задачи — Разработка и развитие модуля Demand Planning — Проектирование и реализация высоконагруженных алгоритмов прогнозирования спроса и анализа рыночных сигналов — Ответственность за компоненты работы с данными и качество прогнозов.

272 000 – 300 000 ₽

Развивать модели прогнозирования спроса и ценовой эластичности; Исследовать подходы к causal inference, uplift-моделированию и оценки эффекта изменения цены;

Зарплата не указана

Ожидание от кандидата: Высшее техническое или математическое образование; От 3–4 лет коммерческого опыта в Data Science / ML.

Зарплата не указана

Лидить команду DS (2 человека); Сопровождение ML-решений (мониторинг сервисов и моделей, отслеживание дрейфа данных, работа над развитием);

Зарплата не указана

Исследовать подходы к causal inference, uplift-моделированию и оценки эффекта изменения цены; Проектировать временную валидацию, backtesting и бизнес-метрики качества;

Зарплата не указана

разработка, тестирование и внедрение ИИ-агентов (в том числе LLM-as-a-Judge) и классических ML-моделей для оценки качества, детекции аномалий, прогнозирования деградации и автоматической локализации причин сбоев. исследование и внедрение новых подходов в области настройки LLM, LLM-as-a-Judge и RAG, чтобы сделать мониторинг точнее, стабильнее и понятнее.

Зарплата не указана

работать с таргетами, полученными из анкет и интервью с помощью экспертной и LLM-разметки. подбирать постановку задачи в зависимости от объема и качества данных: supervised learning, weak supervision, few-shot и другие подходы.

Зарплата не указана

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

Зарплата не указана

Задачи: — Готовить и чистить данные, собирать выгрузки под задачи команды; — Строить и оценивать базовые ML-модели на scikit-learn; — Проверять гипотезы, считать метрики; — Работать с LLM: писать и тестировать промпты, оценивать качество ответов, размечать данные; — Оформлять результаты в понятные выводы для команды и заказчиков. Требования: — Знание Python и библиотек pyarrow, openpyxl, statsmodels, scipy, plotly; — Наличие пет-проектов или опыт участия в Kaggle; — Опыт вызова API моделей из Python; — Знакомство с бустингами CatBoost, LightGBM, XGBoost; — Опыт работы с BI-инструментами Tableau, Superset, Power BI; — Опыт проведения самостоятельных исследований и исследовательских проектов; — Аккуратность с цифрами, готовность самостоятельно разбираться и умение вовремя обратиться за помощью к команде; — Способность объяснить результат словами, а не только графиком. Условия: — Работа в IT-компании с миссией по автоматизации работы системы аудита Российской Федерации; — Прозрачная система мотивации, стабильная загрузка; — Оформление в соответствии с ТК РФ; — Дружный коллектив и лояльное руководство; — Разнообразный набор социальных льгот и гарантий; — Уровень заработной платы обсуждается на собеседовании.

Зарплата не указана

Задачи: — исследовать и разрабатывать торговые стратегии для DeFi и крипторынков: от гипотезы и анализа данных до бэктестинга, валидации и оценки результата стратегии — Quant/ML research и разработка торговых стратегий для DeFi и крипторынков — применять ML/DL-подходы для маркет-мейкинга, forecasting, управления позициями и смежных задач — разрабатывать стратегии дельта-нейтрального хеджирования и управления рисками — проводить бэктестинг и использовать симуляционные среды на крипто-данных: order book, trades — анализировать рыночные данные и улучшать алгоритмы по результатам реального исполнения Требования: — senior-уровень в Quant/ML research, systematic trading, HFT/prop trading, market microstructure или смежных задачах — участие в полном цикле ресерча: гипотеза > данные > модель/логика > бэктестинг > валидация и анализ результата — понимание временных рядов, OOS-проверки, future leakage и торговой экономики — знание Supervised Learning, статистического анализа, оптимизации моделей — уверенный Python; PyTorch, Scikit-Learn, CatBoost, XGBoost, Optuna — опыт доведения стратегий до реального исполнения или PnL-оценки — опыт работы с order book и trades — автономность в постановке гипотез и доведении их до результата — владение русским языком для общения в команде Будет плюсом: — Reinforcement Learning — опыт на Rust или low-latency engineering — опыт в трейдинге, маркет-мейкинге, low-latency крипте — опыт в квант-фондах, HFT, prop trading, банковских квант-командах — опыт с DeFi, DEX/CEX, AMM/LP, perpetuals, funding, cross-venue arbitrage — активное использование AI-инструментов Условия: — фиксированная зарплата в стейблкоинах (USDT/USDC, 1:1 к доллару) — квартальный profit sharing от результатов стратегий — оплачиваемый отпуск — компания оплачивает AI-подписки

Зарплата не указана

Задачи: — Разрабатывать и внедрять ML-модели для прогнозирования поведения клиентов-физических лиц и розничного продуктового портфеля Банка — Рассчитывать ожидаемые денежные потоки по кредитным и пассивным продуктам Банка Требования: — Опыт работы в банковской сфере — Опыт разработки и внедрения ML-моделей от сырых данных до production — Работа с табличными данными — Свободное владение Python: Pandas, NumPy, Matplotlib (или аналогичными инструментами визуализации) — Знание SQL: оконные функции, сложные JOIN, оптимизация запросов к БД — Хорошее владение ML-библиотеками: CatBoost, LightGBM, XGBoost, Scikit-learn — Умение проводить стресс-тесты и А/В-тесты — Понимание особенностей розничных банковских бизнес-процессов — Преимуществом будет знание MLflow, Airflow, Butch Scoring, Docker, Spark / PySpark Условия: — Офисный формат работы — Офис в центре Москвы

Зарплата не указана

О компании Points Health - это экосистема высокоточных маркетинговых решений для фармацевтических брендов. Компания работает с данными более чем 38 000 аптек по всей России и внедряет современные методы аналитики. Роль и задачи Ищут сильного лидера и эксперта, который будет ключевым звеном в трансформации больших и грязных фармацевтических данных в ценные бизнес-инсайты. Обязанности включают управление командами, выстраивание архитектуры данных, методологии очистки и анализа, создание прогностических моделей для повышения эффективности продаж и маркетинга. Ключевые обязанности: Управление и стратегия: — Разработка стратегии работы с данными для поддержки и развития продуктов "Stock Index" и "Мой Бонус". Работа с данными (Data Engineering): — Управление ETL-процессами: сбор, очистка, стандартизация и валидация больших массивов данных из различных источников. — Обеспечение высокого качества и надежности данных для аналитики. Анализ и моделирование: — Применение многомерных методов анализа данных: регрессионный, кластерный, факторный анализ. — Разработка прогностических и "what-if" моделей для прогнозирования продаж, оценки маркетинговых активностей и ценообразования. — Построение и валидация моделей для оптимизации товарного запаса и предотвращения дефектуры. Взаимодействие с бизнесом: — Трансформация сложных аналитических выводов в понятные бизнес-рекомендации для топ-менеджмента и клиентов. — Сотрудничество с продуктовыми командами для внедрения моделей в продукты Points Health. Ключевые требования Опыт: — От 3 лет в Data Science, управлении аналитикой или аналогичных ролях с опытом руководства проектами или командами. — Опыт в фармацевтической отрасли будет преимуществом. Образование: — Высшее образование (Магистр или PhD) в математике, статистике, эконометрике, компьютерных науках, Data Science или смежных дисциплинах. Технические навыки: — Экспертный уровень владения Python (pandas, scikit-learn, statsmodels, PyMC) и SQL. — Опыт с библиотеками машинного обучения и статистического моделирования. — Глубокое знание методов экстраполяции, агрегации, кластерного и факторного анализа, регрессионного анализа (включая байесовские подходы) и эконометрических методов. — Опыт построения прогностических моделей (временные ряды, XGBoost) и "what-if" сценариев. — Опыт работы с большими данными, их очисткой, трансформацией и интеграцией. — Умение создавать дашборды и отчеты в Power BI, Tableau или Qlik. Личные качества: — Сильное аналитическое и критическое мышление. — Управленческая зрелость, способность принимать решения в условиях неопределенности. — Отличные коммуникативные навыки и умение доносить сложные концепции до не-технических специалистов. — Проактивность, ориентация на результат и клиентоориентированность.

Зарплата не указана

Задачи: • Проектирование и разработка сложных Агентных и AgenticRAG систем. Обеспечение воспроизводимости и отказоустойчивости • Разработка решений начиная от прототипа, заканчивая выводом в промышленную эксплуатацию • Определение ML SysDes решения с учетом разрешенного технологического стека • Участие в валидации и автомониторинге моделей, проведение A/B тестирования Требования: • Высшее образование в сфере компьютерных наук, физ-мата, прикладной математики и информатики. Приветствуются дипломы ведущих технических и научных ВУЗов (МФТИ, МГУ, Сколтех, ВШЭ, ИТМО, МИФИ и др.) • Знание мат. статистики, классического ML, NLP, опыт в постановке и интерпретации экспериментов • Опыт e2e-разработки ML/AI-пайплайнов (в т.ч. RAG-пайплайнов) и проектировании архитектуры AI решений • Умение переводить бизнес-постановку задачи в ML-постановку • Высокий уровень владения Python и SQL • Знание фреймворков, библиотек, алгоритмов машинного обучения: XGBoost, CatBoost, PyTorch, TensorFlow, Transformers • Знание принципов построения RAG, VisionRAG и AgenticRAG систем • Знание архитектур нейронных сетей: RNN, LSTM, трансформеры (BERT, BART, T5) • Знание агентных архитектур (ReAct, Multi-agent и др.) • Знание фреймворков для работы с LLM (LangChain, LangGraph и др.) • Знание веб-фреймворков (FastAPI, Flask), контейнеризации (Docker) • Понимание жизненного цикла моделей (CRISP-DM) Условия: • Гибкий гибрид (обсуждаем индивидуально) • Современный IT-офис вблизи Москва-Сити с фитнес-залом • Ипотека с выгодой для сотрудника и льготные условия кредитования • Бесплатная подписка СберПрайм+ • Скидки на продукты компаний-партнеров • ДМС с первого дня и льготное страхование для близких • Корпоративная пенсионная программа • Обучение за счет компании: онлайн курсы в онлайн-школе Сбера и неограниченный доступ к библиотеке, обучение в Корпоративном университете, тренинги, митапы и возможность получить новую квалификацию • Крупнейшее DS&AI Community — более 600 DS банка, регулярный обмен знаниями, опытом и лучшими практиками, интерактивные лекции и мастер-классы от ведущих ВУЗов и экспертов технологических компаний, дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира

Зарплата не указана

Задачи: — разработка моделей с применением алгоритмов и техник машинного обучения; — развёртывание моделей в выбранной среде; — обработка и устранение возникающих проблем, связанных с работой модели после вывода в продуктивное использование. Требования: — опыт работы по направлению не менее 2 лет; — знание алгоритмов и техник машинного обучения, их преимуществ, недостатков и особенностей применения; — понимание теории вероятности и математической статистики; — опыт программирования на языке Python, уверенное владение синтаксисом и основными конструкциями языка, использование библиотек для анализа данных и машинного обучения, знание библиотек для работы с веб-технологиями (Numpy, Pandas, matplotlib, seaborn, scikit-learn, XGBoost, CatBoost, PyTorch); — знание системы контроля версий и методов CI/CD; — понимание принципов работы с API и опыт их интеграции в проекты. Условия: — удалённый формат работы либо гибрид. — ДМС со стоматологией, индексация зарплаты, бонусы за командные и личные достижения, кафетерий льгот (20 000 на услуги от образования до здоровья каждый год), программы финансовой, психологической и юридической поддержки, компенсация питания, программы адаптации. — индивидуальные планы развития, помощь в наращивании экспертизы, работа с внутренним кадровым резервом внутри Северстали и Севергрупп. — корпоративная культура, взаимоуважение и поддержка на всех уровнях управления.

Зарплата не указана

Задачи: — Разработка ML-моделей и алгоритмов — Вывод в production ML-моделей и расчетных модулей — Аналитика на больших данных — Поддержка реализованных решений — Разработка ML-моделей и алгоритмов для прогнозирования временных рядов Требования: — продвинутые знания в области математики (мат.анализ, линейная алгебра, теория вероятностей, мат.статистика) — python: типы данных, структуры, ООП — классический ML: задачи (классификация, регрессия), метрики, basic ML stack (pandas, numpy, sklearn, catboost, xgboost), SQL — BigData stack (Hadoop, Spark, SparkML) — умение работать с git, Jira, Confluence Будет плюсом: — знания в области финансов — опыт продуктовой аналитики — опыт работы с временными рядами (анализ, разработка моделей) — опыт работы с LLM (langchain, langgraph) — опыт end-2-end разработки ML-моделей (EDA-MVP-Solution-Validation-Production) — опыт backend разработки Условия: — комфортный современный офис рядом с м. Кутузовская — гибридный формат работы — ежегодный пересмотр зарплаты, 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 — бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров — вознаграждение за рекомендацию друзей в команду Сбера.

Зарплата не указана

Задачи: — участие в создании и поддержке аналитических решений для повышения эффективности маркетинговых кампаний; — применение методов машинного обучения, особенно uplift-моделирования, для оптимизации взаимодействия с клиентами и повышения ROI; — построение uplift-моделей по сегментам для разных групп; — разработка uplift-моделей для различных номиналов промоакций с последующей оптимизацией; — прогнозирование RFM; — участие в проведении A/B тестов, расчет финансовых эффектов от внедрения моделей, генерация признаков для моделей. Требования: — базовое понимание статистики и теории вероятностей; — опыт работы с Python (Pandas, NumPy); — знание основ машинного обучения (линейная регрессия, деревья решений, случайный лес); — понимание концепции uplift-моделирования; — опыт работы с табличными данными; — понимание принципов распределенных вычислений (PySpark); — опыт коммерческой разработки. Технологии и инструменты: — работа с данными: pyspark, SQL, S3; — классический ML и uplift: Scikit-learn, XGBoost, LightGBM, CatBoost, scikit-uplift; — разработка и версионирование: Jupyter Notebook, VS Code/PyCharm, git; — ML инфраструктура: JupyterHub, MLFlow, Airflow, PostgreSQL; — ML: Transformers, SGLang, Triton; — процессы: Jira, Confluence.

Зарплата не указана