Senior Machine Learning Engineer (Python, FastAPI)

Remote or hybrid within the EU, with a preference for candidates based in Spain.

Зарплата не указанаПольшаКипрИспанияПортугалияСербияЛитваРумынияФранцияУдалёнка
Текст:
Оригинал доступен только пользователям с подпиской

Location

Remote or hybrid within the EU, with a preference for candidates based in Spain.

About the company

A European fintech startup building a mobile-first B2B platform that combines banking, accounting, financial management, and invoicing for small and medium businesses. Its work centers on simplifying financial operations and preventing financial crime across key EU markets.

Responsibilities

  • Take end-to-end ownership of a production ML system that scores the entire client base daily and supports quarantine, alert suppression, and credit decisions.
  • Develop and deploy binary classification and regression models for financial crime detection during transactions and client onboarding, from requirements gathering through prototyping to production.
  • Manage a portfolio of transaction rules with embedded ML detection, improving their performance and the volume of alerts they generate.
  • Build continuous monitoring of model and rule performance and a champion-challenger framework, and contribute to infrastructure that serves and infers models of varying complexity.

Requirements

  • At least 5 years as a Machine Learning Engineer or full-stack Data Scientist, including production deployment and API services such as FastAPI.
  • Strong SQL and Python skills, plus experience with cloud data platforms such as Databricks.
  • Proven ability to design and improve model-serving infrastructure, with hands-on model monitoring and champion-challenger or A/B evaluation in production.
  • Quantitative education in math, engineering, economics, or computer science, full professional proficiency in English, and a proactive, results-driven mindset suited to a startup; graph modeling or foundation models and embeddings are a plus.

Похожие вакансии Data Science & ML

Сайты компаний
СБЕР

Senior Data Scientist (Внутренняя безопасность)

СБЕРАвтоподнятие
Зарплата не указанаРоссияМоскваОфис

Мы новое подразделение Сбера, занимающееся созданием инструментов и решений для внутренней безопасности с помощью AI. Наши задачи направлены на развитие AI-агентов, создание RAG, запуск локальных инстансов LLM и их файнтюнинг. Наши планы имеют широкий спектр - начиная от разработки DL-моделей для скоринга, поведенческого моделирования и заканчивая графовыми нейронками для выявления скрытых связей.

Ищем Middle/Senior Data Scientist, который будет разрабатывать AI-агентов, адаптировать LLM под специфику задач, строить RAG-системы. Если ты хочешь иметь возможность погрузиться в глубины LLM и Deep Learning, пробовать новые методы к файнтюнингу LLM, строить AI-агентов, то мы ждем тебя в нашу команду.

  • cоздание и развитие решений с задействованием LLM-агентов (полноценные мультиагентские системы)

  • cоздание RAG-систем

  • разработка и поддержка ML/DL моделей, включая их обновление и адаптацию к меняющимся условиям и требованиям бизнеса

  • дообучение и адаптация открытых LLM

  • создание системы мониторинга качества моделей и контроль их эффективности.

  • оконченное высшее образование

  • опыт работы от пяти лет в коммерческой разработке на позиции Data Scientist / ML Engineer с подтверждённым опытом вывода моделей в продакшен

  • понимание математики классического ML и архитектуры нейросетей (PyTorch/TF)

  • уверенное понимание архитектуры трансформеров, опыт работы с LLM API и локальными моделями через PyTorch / Hugging Face

  • уверенный Python (чистый код, ООП, знание numpy/pandas/scikit-learn) и понимание принципов микросервесной архитектуры (Asyncio, FastAPI)

  • опыт создания агентов на LangChain/LangGraph

  • знание основных концепций промпт-инжиниринга и использования Structured Outputs и Function Calling

  • опыт проектирования и развития RAG-систем (Multi-stage Retrieval, Dense + Sparse/BM25, Rerankers, Chunking strategies)

  • опыт развертывания локальных open-source моделей (Llama, Mistral, Qwen, DeepSeek и др.) в продакшн-окружении и настройки высокопроизводительного инференса LLM с помощью vLLM

  • опыт проведения Fine-tuning LLM-моделей (PEFT, LoRA/QLoRA)

  • настройка мониторинга data drift и model decay, а также валидация моделей

  • навыки работы с генеративными AI-моделями; опыт создания AI-агентов и использования их в работе будет преимуществом

  • опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов

  • инструментальное владение AI для анализа, генерации и автоматизации.

  • инновационные, амбициозные проекты и задачи, которые развивают: всегда есть возможность прокачать свои навыки в работе и профессионально расти

  • среда для обмена знаниями – высокая экспертиза внутри команды;

  • сплоченная команда, работающая над общими задачами и умеющая хорошо отдыхать

  • нашу культуру создают сами сотрудники – мы их слышим и помогаем создавать и поддерживать корпоративные комьюнити по интересам

  • стабильная заработная плата и годовой бонус

  • полностью офисный формат работы. Современный IT-офис вблизи Москва-Сити в пяти минутах от метро "Кутузовская", с фитнес залом

  • более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

  • подписка Прайм с возможностью совместного использования на трёх близких

  • расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа

  • вознаграждение за рекомендацию друзей в команду Сбера.

Эта вакансия также есть на:Getmatchhh.ru
Другие площадки
СБЕР

ML-инженер (AI Quality / Evaluation) в команду GigaChat

СБЕРАвтоподнятие
350k–600k ₽РоссияУдалёнка

Мы развиваем GigaChat и ищем сильного ML-инженера в команду AI Quality. Наша команда — это главный навигатор развития модели. Мы не просто тестируем сборки, мы исследуем новые возможности GigaChat, сопоставляем его работу с реальными продуктовыми требованиями и находим точки для кратного роста качества. Публичные бенчмарки покрывают далеко не всё и часто оторваны от жизни, поэтому мы строим собственную инфраструктуру замеров, которая честно показывает, как модель решает настоящие задачи пользователей.

Это роль для человека, который возьмёт на себя ответственность за сквозной цикл оценки: от ресёрча ландшафта и проектирования датасетов под продуктовые вызовы до написания надёжного кода и внедрения бенчмарка в общий харнесс. Ищем не столько исполнителя, собирающий дашборды, сколько мотивированного инженера-исследователя. Тот, кто глубоко понимает, что нужно продукту, замечает узкие места именного базового качества модели, вспоминает актуальную статью с подходящим методом оценки и приходит с готовым планом: «давайте замерим вот так, потому что именно это покажет наш реальный прогресс».

Чем предстоит заниматься

Развивать инфраструктуру и пайплайны замеров (Evaluation Harness).

  • Реализовывать и поддерживать бенчмарки: парсинг датасетов, промпт-шаблоны, постпроцессинг ответов, подсчёт метрик.
  • Обеспечивать железобетонную воспроизводимость: версионирование конфигов, CI-интеграция. Любой замер должен выдавать идентичный результат и сегодня, и через полгода.
  • Разбирать статьи и репозитории новых бенчмарков, понимать их методологию и встраивать в наш пайплайн с автоматическим запуском.

Строить и масштабировать LLM-as-a-Judge.

  • Развивать пайплайны моделей-судей: глубокий промпт-инжиниринг, калибровка, контроль смещений (bias), оценка консистентности и сравнение судей между собой.
  • Проектировать, настраивать и автоматизировать arena-style оценки.

Создавать целевые датасеты и анализировать данные.

  • Проектировать новые арены и тестовые наборы под конкретные слабые места модели и проверяемые гипотезы.
  • Вытаскивать сигналы о деградациях из пользовательских логов, собирать промпты, следить за актуальностью и контаминацией существующих датасетов.
  • Проводить аналитику и быстро писать скрипты для ответа на вопрос: «почему просела метрика и что именно сломалось».

Проводить research и влиять на релизы.

  • Самостоятельно отслеживать state-of-the-art в области evaluation, инициировать внедрение лучших подходов — не дожидаясь постановки задачи сверху.
  • Готовить аналитические отчёты по замерам, формулировать жёсткие go/no-go рекомендации и аргументированно отстаивать их перед командой pretrain/post-train.

Для нас важно

  • Уверенный Python и инженерная культура: код ревьюится, тестируется и не гниёт. Уверенное владение Git, CI/CD, Bash на уровне самостоятельной поддержки сервисов. Использование AI-ассистентов и знание best practices горячо приветствуются.
  • Глубокое понимание устройства LLM: не на уровне обзоров, а на практике. Вы знаете, что такое chat template, почему ризонеры могут давать разные результаты при нулевой температуре, и почему один и тот же бенчмарк можно замерить тремя способами, получив три разных числа. Практический опыт инференса open-source моделей (vLLM, SGLang).
  • Насмотренность и инициативность: вы умеете не просто следить за потоком статей, но в нужный момент вытащить из памяти релевантный подход, связать его с текущей задачей и конвертировать в конкретный план действий.
  • Базовая статистическая грамотность: доверительные интервалы, bootstrap, чёткое понимание того, когда разница в метрике статистически значима, а когда — это просто шум.

Будет плюсом

  • Опыт работы с evaluation-фреймворками (lm-evaluation-harness, HELM, BigCode Evaluation) или написания собственных харнессов.
  • Опыт с LLM-judge подходами и глубокое знакомство с профильной литературой (MT-Bench, AlpacaEval, Chatbot Arena).
  • Публикации или заметный open-source вклад в области evaluation.

Что предлагаем

  • Сильные и сложные задачи на переднем крае развития русскоязычных LLM.
  • Огромную степень влияния на продукт: от ваших метрик и рекомендаций зависит, пойдет ли флагманская модель в релиз.
  • Команду сильных инженеров и исследователей, задающих высокую планку инженерной надёжности.
  • Конкурентную компенсацию, премии и расширенный соцпакет.
Другие площадки
альфа-банк

Data Scientist (Антифрод)

альфа-банкАвтоподнятие
250k–400k ₽РоссияМоскваУдалёнка

Мы занимаемся развитием платформы интеллектуального управления безопасностью финансовых потоков. Наши ML-решения в реальном времени оценивают транзакции на предмет мошенничества, комплаенс-рисков и других нежелательных действий. В работе мы применяем продвинутые методы машинного обучения, прикладной математики и статистики. Исследуем новые данные, проверяем различные ML-гипотезы и постоянно ищем возможности значимо улучшить существующие решения. Сейчас мы расширяем команду и ищем DS-специалистов уровня Middle и Senior.

Обязанности:

  • Погружаться в бизнес-контекст платформы ограничений, изучать доступные данные и существующую инфраструктуру — высоконагруженные сервисы, обрабатывающие миллионы транзакций в день.
  • Анализировать текущие бизнес-процессы, выявлять их уязвимые места и точки роста.
  • Пробовать различные подходы машинного обучения: классификацию, кластеризацию, uplift-модели, ранжирующие модели и нейросетевые решения (частично или полностью).
  • Сравнивать результаты экспериментальных моделей с текущим решением, оценивая их преимущества и недостатки.
  • Валидировать модели с помощью офлайн-метрик (AUC, PR-кривые, NDCG, uplift-метрики и др.), убеждаться в статистически значимом приросте точности.
  • Подготавливать аналитическую статью или отчёт, в котором будет подробно сравниваться каждый метод и обосновываться выбор оптимального решения.
  • Запускать в продакшн лучшее из протестированных решений, обеспечивая его интеграцию в существующую систему управления ограничениями.


Требования:

  • Высшее техническое образование.
  • Опыт работы в DS от 2 лет. Опыт вывода моделей в прод.
  • Уверенный Python, продвинутый SQL, PySpark как плюс.
  • Большой опыт в решении задач классического ML: бустинги, регрессия, ранжирование, классификация.
  • Статистика, A/B тесты, знание основ оптимизации, понимание принципов работы используемых методов.
  • Умение презентовать результат сложных решений понятным бизнесу языком, проактивность в поиске точек роста и генерации новых идей.


Условия:

  • Стабильный и прозрачный доход: размер заработной платы обсуждается по итогам собеседования + квартальная премия по результатам KPI.
  • Гибкий график работы: вы сможете планировать время так, как удобно вам и вашей команде.
  • Полную удалёнку или гибрид на выбор, а также уютный ИТ-хаб в Москве, Санкт-Петербурге, Екатеринбурге и сезонный коворкинг в Сочи.
  • Сложные и интересные задачи, современный стек технологий.
  • Заботу о вашем здоровье: программа ДМС с первых дней работы, куда входит стоматология, обслуживание в лучших клиниках города, страхование и компенсация 10-ти дней больничного.
  • Возможность вертикального и горизонтального карьерного роста: регулярно проходят тренинги, вебинары, митапы и демо-дни.
  • Оплату посещения профильных конференций и курсов, помогаем с подготовкой к публичным выступлениям и написанием статей на Хабр.
  • Доступ к бесплатным корпоративным библиотекам Alpina Digital, МИФ и бизнес-изданий.
  • Работа у трижды лучшего работодателя РФ по версии hh.ru, Forbes, РБК.
  • Программа развития AI-грамотности: треки по работе с нейросетями от базового до продвинутого уровня.

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