Вакансии мкк базис: работа в IT и digital

Мы — Небус: группа компаний в финтехе и МКК, которая растёт как на дрожжах — удваиваем масштабы каждые полгода. Это драйв, амбиции и куча задач, где нужен мощный ML.

Ищем ML-инженера, который не просто пишет код, а зажигает. У нас активный подход к работе и атмосфера взаимного уважения 🤍. Готов ворваться в команду, где твои модели сразу идут в бой? Тогда читай дальше — это твой шанс!

Чем предстоит заниматься:

• Внедрять ML-модели в продакшн: разрабатывать и интегрировать пайплайны для скоринга, оценки рисков и других бизнес-задач в промышленную среду.
• Строить надёжные пайплайны обработки данных: обеспечивать качественную подготовку, валидацию и трансформацию данных для обучения и инференса моделей.
• Оптимизировать производительность алгоритмов: повышать скорость работы кода, снижать потребление ресурсов, улучшать latency и пропускную способность систем.
• Разрабатывать и внедрять MLOps-практики: автоматизировать процессы обучения, тестирования, развертывания и мониторинга моделей (CI/CD для ML).
• Обеспечивать стабильность работы моделей в продакшне: отслеживать дрейф данных и метрик качества, настраивать алерты и процессы переобучения.
• Интегрировать ML-решения с продуктовой архитектурой: работать с разработчиками над созданием API, сервисов и микросервисов на базе моделей.
• Версионировать данные и модели: контролировать воспроизводимость экспериментов и корректное обновление моделей в продакшне.

Что важно для этой роли:

• Опыт коммерческой разработки от 3 лет на позиции ML-инженера или разработчика с сильным уклоном в машинное обучение (опыт в финтехе или высоконагруженных системах будет преимуществом).
• Уверенное владение Python и навыки написания чистого, поддерживаемого, production-ready кода.
• Глубокое знание ML-библиотек: scikit-learn, XGBoost, LightGBM, pandas, numpy.
• Опыт работы с большими данными: уверенное владение SQL, понимание Spark / Dask / аналогичных инструментов.
• Навыки контейнеризации и оркестрации: опыт с Docker (обязательно), знакомство с Kubernetes.
• Понимание принципов MLOps: опыт с инструментами оркестрации (Airflow / Prefect / Kubeflow), системами трекинга экспериментов (MLflow / Weights & Biases), версионирования данных (DVC).
• Системное мышление: понимание, как устроены пайплайны от источника данных до конечного API, умение проектировать отказоустойчивые решения.
• Опыт работы с Git, понимание CI/CD-процессов (GitHub Actions / GitLab CI / Jenkins).
• Умение работать в команде: взаимодействовать с дата-сайентистами (принимать прототипы и делать их промышленными) и бэкенд-разработчиками (интегрировать решения в продукт).

Условия:

• Удалённая работа: работай из любой точки мира.
• Гибкий график: стандартная пятидневка (5/2), но мы ценим твой work-life balance.
• Оформление по ГПХ / СМЗ/ ИП РФ.
• Современные инструменты и дружная команда профессионалов.
• Возможность влиять на продукт и видеть результат своей работы.

Ты хочешь видеть результат своей работы?
У нас ты будешь не винтиком, а автором решений, которые сразу идут в бой. Рост каждые полгода, современный стек, дружная команда.
Не откладывай — отправь отклик сегодня! Твоё будущее в финтехе начинается здесь.

Привет, легенда !

Мы — группа компаний Небус, развиваем финансовые технологии и МКК. Наш бизнес растёт, и мы усиливаем команду для новых задач. Приглашаем Дата-сайентиста, который разделяет активный подход и ценит уважительную атмосферу в коллективе 🤍

Задачи:

→ Искать закономерности и значимые признаки, влияющие на дефолтность клиентов;

→ Строить и улучшать скоринговые модели (логистическая регрессия, градиентный бустинг, деревья решений);

→ Тюнинговать существующие модели и пересобирать их с нуля при изменении бизнес-среды или появлении новых данных;

→ Создавать прототипы и проверять их качество на исторических и валидационных выборках.

Эксперименты и инсайты:

→ Тестировать риск-правила через А/В-эксперименты: оценивать влияние на долю дефолтов и отсечение надёжных клиентов;

→ Подбирать оптимальные пороговые значения (cut-off) для баланса между прибылью и рисками;

→ Давать рекомендации для новых продуктов на основе анализа потребления клиентов;

→ Мониторить качество моделей в жизни (дрифт данных), предлагать гипотезы по улучшению.

Обязательно:

• Практический опыт разработки скоринговых моделей именно для кредитного скоринга (банки / МФО / финтех);
• Глубокий Python (Pandas, NumPy, Scikit-learn, LightGBM / XGBoost);
• Сильная математика: статистика, теория вероятностей, линейная алгебра — понимание алгоритмов «под капотом»;
• Уверенный SQL (оконные функции, CTE, подзапросы) — уметь самостоятельно собирать выборки из DWH;
• Git;
• Умение формулировать бизнес-гипотезы и проверять их на данных;
• Навык презентации результатов для не-технической аудитории.

Будет плюсом:

• Знание метрик розничных рисков (воронка одобрения, NPL, PD);
• Опыт с MLflow / Airflow (для коммуникации с ML-инженерами);
• 2–3 реализованных ML-проекта (желательно в финансах).

Что предлагаем:

• Если твои ценности и навыки совпадут с нашим видением — заплатим столько, сколько попросишь;
• Оформление по договору ГПХ или как ИП (РФ) с возмещением налога;
• Полная удаленка;
• Оплачиваемые отпуска и больничные;
• Все в команде равны, каждый имеет свой голос в коллективном обсуждении задач и реализации новых идей;
• Оплачиваемые командные поездки;
• Легкие на подъем вайбовые ребята, готовые всегда тебе помочь;
• Геймифицированная корпоративная культура;