Вакансии

Location: Москва Мы исследовательское подразделение, которое отвечает в Сбере за «человека»: поведение, психология, тренды, изменения, особенности восприятия и мышления. Мы работаем со всей экосистемой, помогаем улучшать клиентский опыт, самочувствие и эффективность сотрудников, качество интерфейсов, метрики продукта, маркетинга и формировать стратегию. В нынешних реалиях высокой неопределенности наша работа особенно актуальна. Наша команда реализует поставленные задачи с помощью поведенческих исследований – качественных, количественных, аналитических с использованием больших данных. Под последний тип исследований мы ищем лида направления. Мы ищем человека, который имеет большой опыт в анализе данных, глубокий интерес к поведенческой аналитике и которому хочется делать нестандартные исследовательские проекты для топ-команды Сбера. Нам нужен человек, которому интересно на большом массиве информации находить интересные связи и генерить гипотезы о контексте и поведении клиента. Человек, к которому можно прийти с запросом на интерпретацию того или иного явления в данных, генерацию гипотез по определению нужного параметра или формирование расширенной аналитики по продукту или поведению клиента за требуемый период в связке с новостным контекстом / выпуском продуктов Банка. Первый этап отбора на эту вакансию – общение с AI-рекрутером. После отклика ждите сообщение от него в мессенджере, диалог займёт примерно 10 минут. Задача AI-рекрутера — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. AI-рекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным для всех! Обязанности ### Задачи: * разобраться в предметной области и методологии психотипирования, принятой в Лаборатории * проверять гипотезы (совместно с методологами лаборатории), визуализировать результат * выявлять и визуализировать аномалии/экстремумы/особенности данных * получение, подготовка и очистка дата-сета для исследования * документирование разрабатываемых решений (На уровне хранения знаний для синхронизации DS команды) * взаимодействовать с командой, предлагать идеи по развитию проектов. Требования ### Требования: * опыт работы в роли исследователя в данных от 2х лет * знание SQL, Postgres, Python (Pandas, Numpy + Scipy, Matplotlib и т.д.) или R для анализа данных и визуализации * владение и умение разрабатывать мультиагентные системы, навыки работы с LLM: промптинг, пайплайны, контроль качества выводов * опыт статистической обработки результатов AB-тестов, анализа веб-аналитики * опыт работы с системами событийной аналитики * понимание BI-систем * коммуникативные и аналитические навыки * умение и желание полноценно разобраться в задаче, задавать вопросы, предлагать свои решения * умение презентовать результат своей работы для разных целевых аудиторий: коллеги, миддл-менеджмент, топ-менеджмент. Простым языком – способность делать “читаемые” презентации с достаточным количеством, но не переизбыткоминформации. Будет плюсом: * опыт работы с реляционными и неструктурированными СУБД: Oracle, MS SQL, Teradata * знания в области математической статистики и машинного обучения * нзание стека Hadoop/Hive/Spark и опыт работы с большими объемами данных. Наш технологический стек: * Core / Data: Python, pandas, NumPy, PySpark, SQL, Jupyter * Big Data & Infra: Spark, HDFS, Hive/Spark SQL, Parquet, bash/CLI; оптимизация PySpark (lazy evaluation, кэширование, партиционирование, broadcast join) * ML: scikit-learn, CatBoost, XGBoost, Spark MLlib; классификация, сегментация/кластеризация * оценка & интерпретация: метрики качества, feature importance, SHAP; matplotlib/seaborn для визуализации * LLM (по желанию / в перспективе): API (OpenAI и аналоги), локальные модели (Llama, Mistral), HuggingFace Transformers, промптинг и разметка данных. Условия ### Условия: * комфортный современный офис г. Москва, рядом с метро Кутузовская * офисный формат работы: 5/2 с 10 до 19 * ежегодный пересмотр зарплаты и годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * 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.

​​​​Исследование и внедрение современных архитектур, а также подходов к обучению моделей. Разработка AI-агентов прогнозирования.

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

Разрабатывать и исследовать ML-модели для генерации изображений и визуализации интерьерных/строительных решений на основе товаров Лемана ПРО. Проектировать и реализовывать end-to-end пайплайны для PoC: от сбора и подготовки данных до обучения, оценки и демонстрации результатов.

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

-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.

Требования: — умеешь писать чистый и понятный код на современном Python; — хорошо ориентируешься в классическом ML и соответствующих библиотеках (scikit-learn, CatBoost); — имеешь опыт разработки систем на базе LLM: написание агентных систем, RAG-пайплайнов…

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 Требования: — Глубокое знание алгоритмов, структур данных, оценка сложности по Big O — Python (Senior уровень) — Библиотеки анализа данных: Pandas, Scikit-learn, Statsmodels — ООП и принципы проектирования вычислительных систем — SQL и реляционные базы данных (PostgreSQL) — Юнит- и интеграционное тестирование, методология тестирования — Будет плюсом: математическая статистика и основы машинного обучения (линейные модели, Random Forest, LSTM) — Работа с временными рядами: очистка, прогнозирование, кросс-валидация — Библиотеки градиентного бустинга: XGBoost, LightGBM, CatBoost — Глубокое обучение для временных рядов: LSTM, Prophet, DeepAR — Работа в Unix-подобных системах, понимание принципов CI/CD — C / C++ для оптимизации критичных узлов системы — Высшее техническое образование (математика, информационные технологии, физика, прикладные науки) или релевантный опыт — Сертификации по Python, анализу данных, машинному обучению или архитектуре программного обеспечения Условия: — Полный рабочий день — Можно удалённо — Оформление: только ИП (не СЗ, не ТК) — Долгосрочный проект

Задачи: — Развивать модели прогнозирования спроса и ценовой эластичности; — Исследовать подходы к causal inference, uplift-моделированию и оценки эффекта изменения цены; — Проектировать временную валидацию, backtesting и бизнес-метрики качества; — Работать с uncertainty, confidence, intermittent demand, cold start и long-tailSKU; — Разрабатывать логику выбора оптимальной цены с учётом бизнес-ограничений; — Организовать оценку plan/fact и мониторинг качества моделей; — Участвовать в проектировании feature engineering, batch training и batchinference на больших объёмах данных; — Проводить design review, code review и менторить ML-специалистов команды. Обязательные требования: — Опыт в классическом ML от 3 лет; — Сильная база в классическом ML, статистике и работе с табличными данными; — Опыт с forecasting, временными рядами и gradient boosting: LightGBM,CatBoost или XGBoost; — Понимание causal inference и экспериментального дизайна; — Опыт доведения ML-моделей до production; — Уверенное владение Python и SQL; — Понимание временной валидации, data leakage, calibration и uncertaintyestimation; — Опыт работы с Airflow или аналогичным оркестратором; — Понимание принципов распределённой обработки данных, партиционирования и оптимизации вычислений; — Умение связывать ML-метрики с измеримым бизнес-эффектом; — Опыт в retail, e-commerce, pricing или demand forecasting; — Практический опыт с PySpark, Trino, Iceberg, S3, dbt или ClickHouse; — Опыт с price optimization, hierarchical forecasting или operations research; — Опыт построения ML-мониторинга и проведения A/B-тестов. Компания рассматривает кандидатов только из России. Формат работы: Удаленка, Гибрид, Офис(Москва, Краснодар) Уровень позиции: Senior

О компании и команде Мы вошли в топ лучших it-работодателей России 2025 на Хабр Карьере. В Strikt мы превращаем хаотичные бизнес-процессы наших заказчиков в четкие, самообучающиеся алгоритмы с использованием ИИ. Ищем к нам в команду опытного Data Scientist для работы над интересными проектами в областях AdTech, Machine Learning! Требования: — Высшее техническое или математическое образование; — От 3–4 лет коммерческого опыта в Data Science / ML; — Сильная база в статистике, классическом ML и анализе данных; — Опыт работы с Time Series: прогнозирование, скользящее окно, тренды, сезонность, оценка качества моделей; — Опыт участия в проектах с LLM / NLP / GenAI: промпты, embeddings, RAG или интеграция LLM в продуктовые сценарии; — Уверенный Python: pandas, numpy, scikit-learn, matplotlib, Jupyter Notebook; — Знание SQL и понимание работы с реляционными БД; — Умение самостоятельно разбираться в задаче, выбирать подход и объяснять решение команде; — Готовность помогать junior/middle DS-специалистам; — Будет плюсом: Английский язык на уровне чтения технической документации PyTorch / TensorFlow / Hugging Face, CatBoost / LightGBM / XGBoost, LangChain / LlamaIndex / vector databases, понимание MLOps, мониторинга качества моделей и CI/CD. Задачи: — Работать с задачами Time Series, классического ML и LLM/NLP; — Развивать и улучшать существующие ML-модели в проектах; — Помогать выбирать подходы, метрики и критерии качества; — Анализировать данные, строить гипотезы и проводить эксперименты; — Работать с SQL и Python для извлечения, очистки и анализа данных; — Ревьюить решения менее опытных DS-специалистов и помогать команде расти. Условия: — Полностью удалённая работа; — Part-time занятость; — Оформление по договору с самозанятым или ИП с первого дня; — Проекты на стыке Data Science, Time Series, LLM/NLP и прикладного AI; — Сильная команда, возможность влиять на технические решения.

Задачи: — Лидировать команду DS из 2 человек; — Разрабатывать ML-модели: подготовка данных, выбор решения, обучение, тесты, запуск в production (в основном классические ML); — Сопровождать ML-решения: мониторинг сервисов и моделей, отслеживание дрейфа данных, развитие моделей; — Оценивать влияние решений на бизнес; — Подготавливать признаки для feature store (используется Feast); — Взаимодействовать с DA, DE, DevOps для улучшения и автоматизации процессов. Требования: — Понимание базовых ML-алгоритмов; — Знание метрик машинного обучения и их интерпретации; — Уверенное владение Python (numpy, pandas, sklearn, catboost, xgboost); — Опыт написания SQL-запросов; — Общее представление об A/B-тестах; — Навыки работы с Git; — Опыт самостоятельного обучения и вывода моделей в production; — Умение интерпретировать результаты модели (shap, lime). Желательно: — Опыт самостоятельного обучения и вывода моделей в production; — Навыки построения пайплайнов обработки данных с использованием pyspark; — Опыт проведения A/B-экспериментов; — Знакомство с MLFlow, dvc; — Представление о REST API, опыт работы с FastAPI будет плюсом; — Опыт работы с Docker; — Знание различных источников данных: реляционные базы, Redis, Hive, Kafka. Условия: — Работа в профессиональной команде с обменом знаниями; — Возможность внешнего обучения и развития навыков за счет компании; — Медицинские чек-апы, бесплатные консультации с финансовыми консультантами, юристами и психологом; — Культура ЗОЖ; — Социальный пакет: ДМС, скидки на страховые продукты и партнерские услуги (туризм, фитнес и др.); — Обеспечение техникой для работы; — Гибридный график работы 5/2 с гибким началом дня с 8 до 10.

Задачи: — Развивать модели прогнозирования спроса и ценовой эластичности; — Исследовать подходы к causal inference, uplift-моделированию и оценки эффекта изменения цены; — Проектировать временную валидацию, backtesting и бизнес-метрики качества; — Работать с uncertainty, confidence, intermittent demand, cold start и long-tail SKU; — Разрабатывать логику выбора оптимальной цены с учётом бизнес-ограничений; — Организовать оценку plan/fact и мониторинг качества моделей; — Участвовать в проектировании feature engineering, batch training и batch inference на больших объёмах данных; — Проводить design review, code review и менторить ML-специалистов команды. Требования: — Опыт в классическом ML от 3 лет; — Сильная база в классическом ML, статистике и работе с табличными данными; — Опыт с forecasting, временными рядами и gradient boosting: LightGBM, CatBoost или XGBoost; — Понимание causal inference и экспериментального дизайна; — Опыт доведения ML-моделей до production; — Уверенное владение Python и SQL; — Понимание временной валидации, data leakage, calibration и uncertainty estimation; — Опыт работы с Airflow или аналогичным оркестратором; — Понимание принципов распределённой обработки данных, партиционирования и оптимизации вычислений; — Умение связывать ML-метрики с измеримым бизнес-эффектом; — Опыт в retail, e-commerce, pricing или demand forecasting; — Практический опыт с PySpark, Trino, Iceberg, S3, dbt или ClickHouse; — Опыт с price optimization, hierarchical forecasting или operations research; — Опыт построения ML-мониторинга и проведения A/B-тестов. Условия: — Занятость full-time — Формат работы: удалённая, гибридная или офис (Москва, Краснодар)

Задачи: — исследование клиентского опыта в рамках процессов оздоровления и взыскания, поиск «узких» мест в процессах и использование передовых инструментов для проведения локальных исследований (графовый анализ, LLM для поиска инсайтов, самовоспроизводящиеся ИИ-решения, disrupt-проекты) — регулярные встречи с Заказчиками для определения зон роста, предоставления непредвзятого взгляда на процессы и предложения к их трансформации — создание ИИ-решений, влияющих на клиентский опыт — построение чистого эксперимента и валидация ИИ-решения — проработка технологической реализации при поддержке команд разработчиков, data и OPS-специалистов — контроль внедрения ИИ-решения и последующего поведения решения в ПРОМ-контуре, анализ результатов внедрения — создание AI-агентов на базе LLM для оптимизации рутинных процессов: оптимизация документальной и рутинной работы, речевая и текстовая аналитика взаимодействия с клиентом, выявление сущностей для автоматизации внутренних процессов, качественная суммаризация текста для составления профиля клиента — разработка и внедрение ML/AI-моделей: оценки и прогноза финансового состояния клиента, подбор индивидуальных условий для урегулирования задолженности, антифрод и выявления мошенничества, скоринг клиентов, прогнозирование дефолта по обязательствам, What-If / Uplift моделирование и каскады моделей для выстраивания процессов с использованием ИИ, графовый анализ компаний, их руководителей и бенефициаров, анализ новостного контента и других источников информации о клиентах. Требования: — опыт работы 3+ лет в традиционных направлениях машинного обучения (ML), обработки естественного языка (NLP), глубокого обучения (DL) — знание библиотек и фреймворков: pandas, pyspark, catboost, pytorch, tensorflow, langchain/langgraph — опыт валидации AI-решений и их "боевого" пилотирования решений — прикладной опыт в использовании LLM, контроле качества ответов и выстраивания графовой архитектуры с использованием LLM tools / MCP — знания математической статистики и основ A/B-тестирования Будет плюсом: — опыт руководства проектами или самостоятельного обеспечения всего цикла производства ИИ-решения от гипотезы до реализации — знание основ финансового анализа и бухгалтеского учета — опыт курирования или наставничества, работа в крупных AI-проектах с смежными командами — английский язык — уровень Intermediate и выше — опыт в проектах, связанных с клиентским опытом / бизнес-анализом / исследованием очень больших данных — опыт использования AI-инструментов в разработке (LLM-ассистенты для написания и ревью кода, агенты для автоматизации рутинных операций, инструменты автодополнения вроде GitHub Copilot) Условия: — возможен гибридный формат работы, локация офиса пр-кт Кутузовский, 32 к3 стрА — ежегодный пересмотр зарплаты, годовая премия — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — 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.

Команда «Мотивационный профиль» создает новый подход к работе с клиентом, который позволит перейти от классической персонализации к более глубокому пониманию человека на основе психологии. Мы извлекаем из данных психометрические характеристики — ценности, страхи, особенности характера и принятия решений — и используем их в продуктах банка и экосистемы. Для построения мотивационного профиля мы используем анкеты, подробные интервью, поведенческие и транзакционные данные. Работаем с известными психометрическими методиками и подходами, разработанными исследовательской командой. Одна из ключевых задач — научиться надежно определять психометрические характеристики на ограниченных выборках, масштабировать их на широкую клиентскую базу и использовать в рекомендательных сценариях и моделировании клиентских реакций. Задачи: — 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 — сравнивать методы моделирования — от rule-based решений и классического ML до моделей на основе embeddings и LLM — обучать модели для предсказания психометрических и поведенческих характеристик клиента — масштабировать характеристики, доступные для ограниченной выборки клиентов, на широкую клиентскую базу — оценивать модели как по стандартным ML-метрикам, так и по тому, насколько хорошо их результаты работают в прикладных сценариях - сегментации, персонализации и моделировании поведения клиента — работать с неструктурированными данными, в том числе с текстами глубинных интервью — строить пайплайны обработки текста: чанкинг, построение эмбеддингов, кластеризация и извлечение признаков — сопоставлять информацию из текстов с поведенческими и транзакционными данными — проверять качество разметки и данных, анализировать смещения выборки и устойчивость полученных признаков — оценивать репрезентативность обучающей выборки и возможность переноса результатов на широкую клиентскую базу. Требования: — опыт работы Data Scientist / ML Engineer от 2–3 лет — уверенное знание Python и стандартного DS/ML-стека: pandas, numpy, scikit-learn, CatBoost / LightGBM / XGBoost — опыт построения supervised ML-моделей для табличных данных — хорошее понимание задач классификации, регрессии и ранжирования — опыт работы с текстовыми данными и NLP: embeddings, sentence-transformers, кластеризация, классификация текстов, семантический поиск — понимание основных подходов к работе с LLM: prompting, few-shot, zero-shot, LLM-разметка и оценка качества LLM-ответов — умение проектировать метрики и схемы offline-валидации для нестандартных задач — умение работать с неоднозначными таргетами, шумной разметкой и неполными данными — уверенная работа с большими данными — способность переводить бизнес-гипотезу в ML-задачу: формализовать постановку, определить требования к данным и метрикам, учесть ограничения и сформулировать критерии успешности — умение понятно объяснять результаты как ML-специалистам, так и продуктовой команде. Условия: — комфортный современный офис рядом с м. — Кутузовская — возможность выбрать удобный график – офис/гибрид — 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 — подписка Прайм с возможностью совместного использования на трёх близких — вознаграждение за рекомендацию друзей в команду Сбера.

Задачи: — Разработка ML-моделей (подготовка данных, выбор решения, обучение, тесты, запуск в production-среде, в основном classic ML); — Сопровождение ML-решений (мониторинг сервисов и моделей, отслеживание дрейфа данных, работа над развитием); — Оценка влияния на бизнес предложенных решений; — Подготовка признаков для feature store (используем Feast); — Взаимодействие с DA/DE/DevOps для улучшения и автоматизации процессов. Требования: — Участие в проектах по обучению и внедрению моделей машинного обучения в роли data scientist, ML инженера; — Наличие разработанных моделей в проде; — Опыт в создании дэшбордов, поисках инсайтов для бизнеса; — Понимание работы базовых ML-алгоритмов; — Знание метрик машинного обучения и их интерпретации; — Уверенное владение Python (в частности, библиотеки numpy, pandas, sklearn, catboost, xgboost); — Опыт написания запросов на SQL; — Общее представление об A/B-тестах; — Навыки работы с Git; — Опыт самостоятельного обучения и вывода моделей в production; — Умение интерпретировать результаты модели (shap, lime). Желательно: — Навыки построения пайплайнов обработки данных с использованием pyspark; — Опыт проведения A/B-экспериментов; — Знакомство с MLFlow, dvc; — Наличие представления о REST API (плюсом будет опыт работы с FastAPI); — Опыт работы с Docker; — Представление о различных источниках данных: реляционные базы данных, Redis, Hive, Kafka; — Опыт работы в qlikview, superset. Условия: — Работа в профессиональной команде, которая готова делиться знаниями и опытом; — Возможность внешнего обучения и прокачки скиллов за счет компании; — Забота о сотрудниках: возможность прохождения медицинских chek-апов, бесплатные консультации с финансовыми консультантами, юристами и психологом; — Поддержка и развитие культуры ЗОЖ; — Социальный пакет, включающий ДМС, скидки на страховые продукты компании, скидки от партнеров (туризм, фитнес и т.д.); — Обеспечение техникой для работы; — Гибридный график работы 5\2 (гибкое начало дня с 8 до 10).

Задачи: — Оптимизировать выдачу на страницах категорий, каналов и тегов — Строить text-to-video поиск, embedding-модели, ранжирование, семантический поиск — Превращать ML-прототипы в production-сервисы, оптимизация inference, профилирование, подготовка фич, контроль качества моделей — Разрабатывать высоконагруженные ML сервисы на Python включая gRPC/Triton Требования: — Уверенные знания Python и ML-фреймворков (PyTorch, CatBoost и др.) — Опыт работы с рекомендательными системами, поиском или смежными задачами от 2 лет — Опыт внедрения моделей в продакшн — Понимание принципов оффлайн и онлайн оценки моделей. Условия: — Работа над ML-продуктом с миллионами пользователей и живыми метриками — Компактная команда, каждый инженер влияет на продукт — Простая структура — минимум бюрократии, максимум ответственности — Стабильная зарплата, ежегодный рейз и премии — Бонусы: медстраховка, налоговая компенсация, обучение, техника, курсы языков — Релокация на Кипр: визовая поддержка, оплата переезда, билеты и первый месяц жилья

Location: London Who are we? Tripledot Studios is one of the largest independent mobile games companies in the world. We are a multi-award-winning organisation, with a global 2,500+ strong team across 12 studios. Our expanded portfolio includes some of the biggest titles in mobile gaming, collectively reaching top chart positions around the world and engaging over 25 million daily active users. Tripledot’s guiding principle is that when people love what they do, what they do will be loved by others. We’re building a company we’re proud of. One filled with driven, incredibly smart and detail-orientated people, who LOVE making games. Our ambition is to be the most successful games company in the world, and we’re just getting started. Role Overview Join Tripledot Studios as a Senior Machine Learning Engineer working on dynamic pricing and recommender systems use cases in our games. The work involves tabular machine learning, including neural networks and approaches such as gradient-boosted decision trees. You'll focus on understanding the data, developing features and improving the models, rather than primarily owning production deployment. You'll work toward defined near-term ML targetds, collaborating with the monetization team and game product teams to plan A/B tests. Over the longer term, you'll work with those teams to translate product and monetization requirements into ML objectives. You'll start by learning the project and its business goals. Within the first three months, we'd expect you to contribute to the training pipeline and investigate features and model issues. By around six months, the aim is for you to take a more proactive role in setting the model's direction. Key Responsibilities Build and improve training pipelines for dynamic pricing and recommender system models, from feature and label design through training, tuning and offline evaluation of tabular models such as neural networks and gradient-boosted trees. Monitor model performance once models are live across games and products. Investigate data and concept drift, including shifts tied to new titles, client versions or user behaviour, and make models easier to extend to another product. Diagnose missed model outcomes across the training pipeline, business logic and underlying data, then work through the improvements needed to restore model quality. Work with monetization and product colleagues to connect model decisions to revenue and player outcomes, and help plan the A/B tests that inform what ships. As you get up to speed, identify gaps in the team's understanding of the models and propose improvements to their direction. Required Skills, Knowledge and Expertise Hands-on training and evaluation of tabular models, using neural networks or gradient-boosted trees. Experience with PyTorch, PyTorch Lightning, TensorFlow, XGBoost, CatBoost or scikit-learn could all be relevant; no single framework is required. Experience designing features and labels, choosing metrics for the decision a model makes and judging when offline results warrant an A/B test. Proficiency in SQL and the ability to write efficient queries to extract, manipulate and aggregate data from relational databases. An investigative approach to incomplete data and longer-term requirements that need clarification. The ability to explain model results to monetization and product partners in terms of revenue and player outcomes. Experience in ad tech, recommender systems or online marketplaces would be useful, as would experience with production APIs or deploying ML models. Experience with the Ray framework would also be a plus. None of these is required for the role. Uses AI-assisted development tools, including code assistants and LLM-based copilots, to accelerate implementation, debugging and iteration of machine learning systems while maintaining production-quality standards. Critically reviews and validates AI-generated code, model implementations and infrastructure configurations for reliability, correctness and maintainability, and explores AI-powered approaches to improve developer productivity or ML platform capability. Working for Tripledot 25 days paid holiday in addition to bank holidays to relax and refresh throughout the year Hybrid Working 20 days remote working: Work from anywhere in the world, or use the time to cover mandatory office days to WFH, 20 days of the year. Daily Free Lunch: when in the office you get £12 every day to order from JustEat. Regular company events and rewards: quarterly on-site and off-site events that celebrate cultural events, our achievements and our team spirit. Employee Assistance Program: Anytime you need it, tap into confidential, caring support with our Employee Assistance Program, always here to lend an ear and a helping hand. Family Forming Support: Receive vital support on your family forming/ fertility journey with our support program [subject to policy] Life Assurance & Group Income Cover: Financial protection for you and your loved ones. Continuous Professional Development: Propel your career with continuous opportunities for professional development. Private Medical Cover & Health Cash Plan: Opt-in (P11d benefit) comprehensive private medical cover with Bupa and cash plan with Medicash. Dental Cover: Opt-in (P11d benefit). Cycle to Work Scheme: Salary sacrifice bike purchase scheme. Pension Plan: Qualifying earnings or opt-in 4% contributory match schemes offered.