Вакансии

Location: Almaty, Kazakhstan Workplace: OnSite WHY WORK AT HIGGSFIELD AI? Higgsfield AI is the fastest-scaling generative AI company in history, hitting $1B in annual revenue run rate, 30M+ users worldwide, 6M+ generations per day, and powering 390 of Fortune 500 brands. We're building at the absolute frontier of AI-powered video creation and next-generation creative tools. Joining Higgsfield means becoming part of a high-impact team shaping the future of AI-native experiences, at a company that isn't just moving fast, but rewriting what fast looks like. WHAT THIS ROLE MEANS AT HIGGSFIELD Generative video has a problem most subscription businesses don't: every unit we sell costs us real compute. A stolen password costs a streaming service nothing. An account farm on an unlimited generation plan costs us GPU-seconds, at scale, every hour it runs. We have found organised operators running hundreds of accounts on a single card, reselling unlimited generations, and harvesting per-account promotional grants at industrial scale. We have also found that most of our negative-margin accounts are not abuse at all — they are ordinary heavy users on an unlimited plan, which is a pricing problem wearing a fraud costume. Telling those two populations apart, at account level, before the money is gone, is this job. You own the question of who is taking value they did not pay for, and the system that stops them. You make sure: - We catch abuse before the compute is burned, not in a post-mortem that reconciles the loss - Every enforcement action has a measured precision, a measured cost of being wrong, and a way back for the customer we got wrong - The difference between fraud and unprofitable pricing is a number we can defend, not a vibe - When operators adapt — and they will, within days — we find out from a monitor, not from the monthly margin review WHAT YOU WILL DO Detection & scoring - Own the account-abuse scoring system end to end: signals, weights, thresholds, the scoring job, the monitoring, and the recalibration when it decays. - Build detection that fires early. A rule that catches 88% of the money on day 11 is worth far less than one that catches 60% at checkout, and you should be able to say why in dollars. - Work the two halves that actually matter together: linkage (who is connected to whom) and economics (what are they consuming). Either one alone produces a system nobody can switch on — linkage without economics flags families sharing a card, economics without linkage flags our best customers. - Treat cost as a gate, not a label. On an unlimited plan, being gross-margin negative is normal. Entity resolution & ring detection - Find rings, not just accounts: shared payment instruments, IP and ASN concentration, email-stem families, synchronised registration bursts, behavioural fingerprints, automation signatures. - Do it without a reliable device fingerprint — we do not have one today, and part of this job is telling us what it would be worth and what it would cost. - Know where graph methods break. Transitive closure through a shared card will happily merge thousands of unrelated people into one "ring"; we have done exactly that and thrown the result away. Enforcement, policy & the cost of being wrong - Design graduated, reversible actions — throttle, rate-limit, step-up verification, hold, pre-grant refusal, manual review queue, ban — and match the severity to the confidence. - Own the false-positive budget explicitly: how many paying customers are we willing to inconvenience to save a dollar of compute, and what is the appeal path for the ones we get wrong. - Build the pre-grant gates. The cheapest abuse to stop is the kind we decline to enable in the first place — a trial we do not grant costs nothing to claw back. - Partner with Payments on Stripe Radar, chargebacks and dispute economics; with Support on the queue your model creates; with Legal on what our Terms actually entitle us to do. Measurement & adversarial monitoring - Quantify what the system is worth in money — COGS avoided, net of the revenue you destroyed and the support cost you created. Keep that number current. - Run holdouts even on enforcement, wherever it is legal and safe to do so, because otherwise you will never know what your rules are worth. - Monitor for adaptation, not just drift. Model decay here is caused by an adversary, and it looks different: a signal stops firing, a ring changes shape, a cohort's behaviour shifts inside a week. - Watch your own inputs. A detection system that silently loses a feature degrades to a system that cannot reach its own threshold — and reports nothing wrong while doing it. Making it usable - Ship scores and reasons, never scores alone. An analyst, a support agent or an auditor must be able to read why an account was actioned. - Produce evidence that survives outside the company. Our abuse work has already been used in an external audit and in Terms-of-Use enforcement; write for that standard. - Work in SQL, Python and BigQuery on raw event, payment and generation data. We use AI heavily — resourcefulness beats syntax. WHO WE'RE LOOKING FOR - Experience building abuse, fraud or trust-and-safety detection that actually took action on real users — payments fraud, promo abuse, multi-accounting, bonus abuse, account takeover, marketplace or gaming abuse. Anti-money-laundering and credit-risk backgrounds transfer if the modelling was yours. - Genuine understanding of the adversarial setting: that your counterparty responds, that your training labels are generated by your own past decisions, and that offline AUC on a censored label set is close to meaningless. - Strong SQL and Python on raw event data without help: joins across payments, usage and identity, window functions, cohort replay. Gradient boosting, and the judgment to know when a two-condition rule beats a model. - Comfort with graph and linkage thinking — connected components, shared-attribute clustering, and an instinct for when a link is evidence and when it is coincidence. - Precision-first evaluation instincts: precision at the operating point, cost-weighted error, and why you would take 20% recall at 90% precision over the reverse in an enforcement system. - Unit-economics literacy: gross margin per account, what compute actually costs us, why a negative-margin customer may be entirely legitimate. - The judgment to escalate rather than act when the evidence is thin, and to say so in writing. - Clear written and spoken English, B2+. Backgrounds that often do well: - Fraud / risk data scientists from fintech, payments, marketplaces, gaming or crypto - Trust & safety and platform-integrity teams who owned detection and enforcement policy - Growth or product data scientists who ended up owning promo-abuse because nobody else would - Analysts from payment processors, PSPs or chargeback/dispute operations who moved into modelling WHAT THIS ROLE IS NOT This role is not a fit if you: - Want to build content-moderation or NSFW classification — that is a different function here - Would ship a ban list without knowing its precision - Optimize AUC on a label set your own enforcement created, and call it validated - Need a labelled fraud dataset to exist before you can start - Treat every negative-margin account as an abuser - Are uncomfortable that being right 90% of the time means being wrong about real, paying, legitimate people — and that you own what happens to them - Want predictable 9–5 workdays HIRING PROCESS - Screening call (30 min) - Hiring-manager screen (30 min) - Business case (1 hour) - Take-home with real-shaped data (7 days, ~10–12 hours of work) - Team interview (60 min) - Paid on-site trial (1 month) THE DEAL - Competitive salary in USD - Equity: participation in the company's stock option program - On-site role in Almaty, Kazakhstan - Relocation support (flight + temporary housing) - Flat structure, high autonomy, fast career growth

— Развитие моделей поискового ранжирования и рекомендательных систем. — Тюнинг моделей и feature engineering.

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). создание ИИ-решений, влияющих на клиентский опыт.

строить/улучшать модели для разных частей всего пайплайна. заниматься полным циклом DS/ML задач.

Задачи: — развитие и тюнинг моделей ранжирования и рекомендаций — разработка новых ML-решений и feature engineering — прототипирование и внедрение моделей в production на Python — работа с обучающими выборками и анализ результатов A/B-тестов — улучшение продуктовых метрик Требования: — опыт внедрения ML-моделей в production — знание основных методов и алгоритмов ML — понимание нейросетевых моделей для обработки текста — уверенный Python (NumPy, SciPy, PyTorch, scikit-learn) — знание алгоритмов и структур данных — опыт с A/B-тестами Условия: — работа в команде экспертов — широкий технологический стек, сотни проектов — гибкий график работы — льготы и меры господдержки, предусмотренные для IT-компаний (аккредитованы Минцифры) — возможность разрабатывать IT-решения для разных отраслей, пробовать новые технологии — процессы удаленной работы и просторные офисы с зонами коворкинга — возможность профессионального роста: стать тимлидом, архитектором, разработчиком full-stack — развитая система наставничества, сертификация за счёт компании, участие в конференциях, изучение английского языка — активный обмен опытом, митапы, хакатоны, доклады по развитию hard и soft skills — 50+ клубов по интересам и профессиональных сообществ внутри компании — уютный мерч — полный соцпакет и «белая» зарплата — корпоративная база знаний и социальная сеть для общения с 1500+ сотрудниками

Senior Data Scientist (Amber Team) в Semrush. 💎Python, SQL.

Разрабатывать и поддерживать ML-модели полного цикла — онбординговые и транзакционные — на кредитных продуктах Ozon Банка; Анализировать большие объёмы данных для обнаружения аномалий и паттернов мошенничества;

Реализация полного цикла разработки моделей и ML-решений: от постановки задачи до передачи на внедрение и мониторинг. Генерация ML-решений для задач бизнеса, формирование БТ моделей и ТЗ для смежных команд.

глубокий анализ данных для построения и калибровки моделей. опыт построения uplift-моделей и кривых отклика для оптимизации процентных ставок/Разработка моделей оценки эластичности спроса на кредит по ставке.

разработка классических LLM агентов. разработка tools для агентов, а также skills-инструкций для LLM.

Проект по созданию аналитической платформы на базе ИИ — единая экосистема для работы с данными. Продукт собирает информацию из разных источников, обрабатывает её и предоставляет руководству и аналитикам инструменты мониторинга, поиска и прогнозирования (включая чат-ботов). Задачи: — Анализировать и исследовать данные — проводить первичный EDA, выявлять закономерности и аномалии в данных — Предобрабатывать и очищать данные — разрабатывать скрипты для трансформации, нормализации и feature engineering, подготавливать датасеты для обучения моделей — Разрабатывать, настраивать и оптимизировать LLM-пайплайны — Обучать и дообучать ML-модели — Оценивать и интерпретировать результаты — анализировать метрики качества моделей, выявлять причины ошибок и предлгать пути улучшения — Генерировать гипотезы, проверять их значимость и внедрять в рабочие процессы Требования: — Знание языков программирования (Python) — Навыки применения numpy, pandas, scikit-learn, tensorflow или pytorch, опыт решения NLP задач, знание статистики и линейной алгебры, трансформация и подготовка данных — Будет преимуществом: Опыт участия в ML соревнованиях, курсы DS школ Условия: — Возможность работы в комфортном офисе г. Москва — Внутренние семинары, внутренние митапы — Техника для комфортной работы — ДМС со стоматологией для сотрудников и скидку на покупку ДМС для ближайших членов семьи — Сессия профессионального развития с планом индивидуального развития для каждого сотрудника

Задачи: — работать с большими данными в экосистеме Hadoop (PySpark, SQL) — от выгрузки и разведки до построения витрин для моделей — разрабатывать индивидуальные модели эластичности и клиентского поведения в сегменте B2C — от прототипа до продвинутого пайплайна обучения и предсказаний — проверять бизнес-гипотезы и превращать их в измеримый эффект: дизайн и оценка A/B-тестов (мэтчинг, продвинутые методы causal inference, интерпретация результатов) — выстраивать коммуникацию с заказчиками: согласовывать метрики, защищать подходы, показывать ценность данных на понятном языке — обеспечивать надёжность и мониторинг внедрённых решений — чтобы модель работала стабильно и приносила пользу каждый день. Требования: — опыт работы Data Scientist от 2х лет — техническое образование (будет плюсом если выпускник - МГУ, МФТИ, ВШЭ и других ведущих вузов страны) — понимание теории вероятностей и статистики — уверенное владение широким спектром ML-алгоритмов — регрессия, классификация, кластеризация, а также uplift-моделирование (способность оценивать причинно-следственные эффекты, а не просто предсказывать) — владение Python и ML библиотеками (numpy, sklearn, pandas, matplotlib/seaborn/plotly, catboost/lightgbm/xgboost, etc.) — плюсом будет опыт работы с pytorch, pyspark Условия: — комфортный современный офис рядом с м. Кутузовская — возможность выбрать удобный график – офис/гибрид — ежегодный пересмотр зарплаты, квартальная и годовая премия (премия указывается в зависимости от должности и системы премирования) — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — программа адаптации и помощь руководителя на старте (для вакансий уровня Junior) — 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: — проектировать ML-системы для ценообразования, промоаллокации и прогнозирования спроса — анализировать эксперименты — встраивать модели в продукт

💎 Создание и развитие собственных базовых языковых моделей Авито: проверка гипотез в области претрейна, continual pre-training, post-training, RL и синтетических данных, масштабирование обучения и оптимизация инференса (квантование, speculative decoding), построение процедур оценки качества моделей, написание продакшен-кода на Python и PyTorch.

разработка PoC и MVP AI-агентов с использованием фреймворков для работы с LLM. адаптация и дообучение LLM на внутренних и внешних данных (SFT, LoRA, DPO, GRPO).

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.

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.