К

ML-инженер RecSys (Python)

ML-инженер (рекомендательные системы)

камаев богдан эльмарович

Зарплата не указанаРоссияМоскваУдалёнка

ML-инженер (рекомендательные системы)

Мы развиваем рекомендации и персонализацию в продукте с миллионами пользователей: ленты, подборки, поиск и ранжирование выдачи. Рекомендательная система уже работает в проде, и мы ищем инженера, который будет растить её качество и продуктовые метрики.

Если ты умеешь не только обучить модель ранжирования, но и доказать её эффект в A/B-тесте — ждём тебя.

Обязанности
• Развивать многостадийную рекомендательную систему: кандидатогенерация, ранжирование, реранкинг;
• Обучать и улучшать модели: коллаборативная фильтрация (ALS, implicit), two-tower, бустинги для ранжирования (CatBoost, LightGBM), sequential-модели;
• Решать проблемы холодного старта, разнообразия и популярности в выдаче;
• Строить фичи и пайплайны данных на больших объёмах (Spark, Airflow);
• Выводить модели в production и следить за их качеством;
• Оценивать качество: офлайн-метрики (NDCG, MAP, Recall@K, coverage) и онлайн A/B-тесты;
• Генерировать продуктовые ML-гипотезы и проверять их вместе с аналитиками.

Требования
• Уверенный Python и SQL;
• Опыт разработки рекомендательных систем или поискового ранжирования в продакшене;
• Знание подходов: коллаборативная фильтрация, learning to rank (pointwise, pairwise, listwise), эмбеддинги;
• Опыт с бустингами (CatBoost, LightGBM, XGBoost) и PyTorch;
• Опыт работы с большими данными: Spark / PySpark, Hadoop;
• Опыт проведения и анализа A/B-тестов;
• Git, культура код-ревью;
• Опыт от 3 лет.

Будет плюсом
• Опыт с sequential-рекомендациями: SASRec, BERT4Rec;
• Опыт ANN-поиска: FAISS, HNSW;
• Опыт с CTR-моделями и рекламным ранжированием;
• Применение LLM в рекомендациях и поиске;
• Английский для чтения документации и статей;
• Профильное техническое образование.

Условия
• Удалённо или гибрид;
• ДМС;
• Бонусы и премии по результатам;
• Оформление по ТК РФ;
• Компенсация спорта;
• Обучение за счёт компании, участие в конференциях.

Похожие вакансии Data Science & ML

Соц.сети

Big Data Scientist

35 000 000–58 000 000 UZS (≈ 238k–394k ₽)УзбекистанТашкентОфис

#BigDataScientist
•••••••• is hiring a Big Data Scientist in Tashkent for a project developing an automated lending platform with ML-based credit scoring, predictive analytics, and improved credit risk assessment.

Location: Tashkent (onsite)
Work format: Office
Salary: •••••••• 58000000 UZS gross
English: From B1+

The project is focused on developing an automated corporate lending platform for businesses and individual entrepreneurs. It includes implementing ML-based credit scoring, predictive analytics, and a decision engine while optimizing underwriting processes to improve credit risk assessment, accelerate loan approvals, and enhance lending efficiency.

Requirements:
- Experience as a Data Scientist for 5+ years.
- Experience working with banking products and in the fintech industry.
- Hands-on experience with Python and PySpark.
- Experience developing credit scoring models (application and behavioral scoring) and Probability of Default (PD) models.
- Understanding of PD, LGD, and EAD metrics and their application in Expected Credit Loss (ECL) calculations under IFRS 9.
- Experience working with large-scale datasets.
- Strong SQL skills.
- Experience in model validation, including Gini, KS, PSI, and backtesting.

For all questions: ••••••••

👉 ••••••••

hh.ru
СБЕР

Middle Data Scientist (Classic ML)

СБЕР
Зарплата не указанаРоссияМоскваОфис

Основным направлением работы команды является разработка моделей по продуктам кредитов физических лиц (КФЛ) для Блока Финансы. Ключевыми задачами являются:

* Модели досрочного погашения кредитов/вкладов ФЛ на портфельном/клиентском уровне

* Модели эластичности КФЛ

* Модели рефинансирования КФЛ

* Модели детекции аномалий по НОСТРО счетам

Обязанности

  • сбор и подготовка данных (Hadoop, pyspark)
  • тестирование различных гипотез
  • полный пайплайн разработки модели (бустинг, нейронные сети, временные ряды)
  • общение с заказчиками и DE.

Требования

  • опыт работы Data Scientist от 2 лет
  • образование по направлениям "Математика", «Физика», «Мат. методы в экономике (желательно выпускники - МГУ, МФТИ, ВШЭ и других ведущих вузов страны)
  • глубокие знания в области теории вероятностей, статистики.
  • понимания алгоритмов ML-моделей (регрессии, классификации, и т. д.)
  • владение Python (numpy, sklearn, pandas, matplotlib/seaborn/plotly, catboost/lightgbm/xgboost, etc.)
  • как плюс будет владение одним из фреймворков DL, pyspark.

Условия

  • комфортный современный офис рядом с м. Кутузовская
  • офисный формат работы
  • 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.
Соц.сети

Senior Python+LLM

Неизвестный работодатель
Зарплата не указанаРоссияУдалёнка

ID 3993 - Senior python+LLM

🌍 Локация: РФ
💼 Удаленно
🕔 Занятость: фулл тайм

💡 Требования:
Python 5+ лет, продвинутый: ООП, типизация (mypy/pydantic), асинхронность (asyncio), pytest, профилирование.
Проектирование API: FastAPI (или Flask), REST, валидация, обработка ошибок, идемпотентность.
Git, code review, CI/CD (GitHub Actions/GitLab CI), Docker; Kubernetes - плюс.
Работа с БД: PostgreSQL (SQL уверенно), Redis; понимание индексов и транзакций.
Очереди/брокеры: Kafka или RabbitMQ - практический опыт.
Написание документации и поддержка кода в проде (логи, метрики, алерты).

LLM - практика в проде:
RAG end-to-end: чанкинг, эмбеддинги, векторные БД (Qdrant/Milvus/pgvector/FAISS), гибридный поиск (BM25 + вектор), реранкеры.
Промпт-инжиниринг и управление контекстом: шаблоны, few-shot, structured output (JSON Schema/Pydantic), анти-галлюцинационные меры.
Tool calling / function calling, агентные паттерны (ReAct, router/supervisor), LangChain/LangGraph или аналоги.
Fine-tuning LLM: LoRA/QLoRA, instruction tuning, подготовка датасетов; опыт с HF Transformers.
Оценка качества LLM: offline/online-метрики, human-eval, A/B, LLM-as-judge, регрессионные бенчмарки.
Понимание стоимости и latency LLM: кэширование, батчинг, выбор модели, токен-бюджет.

ML - прикладной уровень:
scikit-learn, PyTorch (или TF): обучение, валидация, кросс-валидация, метрики (precision/recall/F1, ROC-AUC).
NLP-база: токенизация, эмбеддинги, классификация, NER; HF Transformers.
Понимание переобучения, дисбаланса классов, утечек данных, калибровки вероятностей.
MLflow (или аналог): трекинг экспериментов, версионирование моделей.
Деплой моделей: инференс-сервис, батч/онлайн, мониторинг дрейфа - базово.

Архитектура и процесс:
Опыт самостоятельных архитектурных решений и ведения задач end-to-end (постановка → прод).
Оценка сложности, декомпозиция, code review, менторство джунов/мидлов.
Работа с продуктом/бизнесом: перевод требований в технические решения, измеримый эффект.

➕Будет плюсом (nice)
Kubernetes, Helm, GPU-инференс (vLLM/TGI), Triton.
Векторные БД в проде (Milvus/Qdrant/Weaviate), OpenSearch/Elastic.
Мультиагентные системы, LangGraph, AutoGen.
Guardrails, PII-маскирование, безопасность LLM (prompt injection).
Опыт с open-source LLM (Qwen/LLaMA/Mistral) и квантизацией.
Airflow/Spark, дата-пайплайны.
Английский B2+ (чтение доков, коммуникация).

📨 Отклик — через форму: •••••••• или напрямую рекрутеру ••••••••

❗️Откликайтесь только при релевантном опыте.

❗️При первичном отклике:
ID вакансии / ФИО / локация / возраст / занятость (работаете/нет) / формат работы (удаленка, гибрид, офис) / стек / опыт / резюме / сверка с требованиями

❗️Повторный отклик: ID вакансии + сверка.

#Python #Удаленно #вакансия

HireSeeker собирает вакансии со всех площадок и присылает только релевантные. Бесплатно.