Senior Machine Learning Engineer (Python, FastAPI)

Альфа Банк – один из ведущих частных банков, который входит в число системно значимых банков Беларуси.
Мы работаем как финтех-компания, интегрируя в свою бизнес-модель успешные практики в области мобильных платежей, онлайн-кредитования, цифровых транзакций и других передовых технологий.
Сейчас в Альфе более 70 тысяч бизнес-клиентов и 1 100 000 клиентов-физлиц.

Сегодня в команде Альфа Банка более 2900 профессионалов.

Мы объединяем людей с разным опытом, взглядами и интересами.

Присоединяйся к команде. Вместе мы способны на большее!

Ключевые задачи:

• разрабатывать и внедрять ИИ-ассистентов, агентов и многоагентные решения для бизнес-процессов и корпоративных знаний;
• создавать RAG-системы и интеллектуальный поиск по документам, данным и внутренним источникам компании;
• интегрировать ИИ-решения с корпоративными системами, API, базами данных и внешними инструментами;
• исследовать, подбирать и внедрять модели для текстовых, мультимодальных и голосовых сценариев;
• разрабатывать сервисы и участвовать в проектировании архитектуры ИИ-решений;
• оценивать качество и производительность решений, проводить эксперименты и переводить успешные прототипы в production.

Пожелания к кандидатам:

• коммерческий или прикладной опыт разработки GenAI-приложений: ИИ-ассистентов, агентов, workflow и многоагентных систем; понимание tool calling, structured output, управления контекстом, памяти, состояния и выполнения сценариев;
• практическое знание RAG: document ingestion, chunking, embeddings, векторный поиск, retrieval, reranking, работа с метаданными и оценка качества ответа;
• понимание MCP и A2A, опыт или готовность работать с интеграцией агентов через инструменты, REST API, OpenAI-совместимые API, внешние сервисы и базы данных;
• уверенный Python и SQL; опыт разработки backend-сервисов на FastAPI или аналогах, асинхронного программирования, PostgreSQL и векторных БД;
• знание подходов к выбору и тестированию моделей: LLM, embedding и rerank; понимание параметров инференса, контекстных ограничений, latency, качества и стоимости запросов.
• понимание архитектуры production-систем: ООП, проектирование API, микросервисы, Docker, Git, логирование, обработка ошибок, unit- и integration-тестирование.

Будет преимуществом:

• опыт с LangChain, LangGraph, Langfuse, OpenAI Agents SDK и аналогичными фреймворками для оркестрации, трассировки и оценки LLM-приложений;
• практический опыт применения продвинутых RAG-техник: parent-child retrieval, contextual retrieval, agentic RAG, GraphRAG и прочие;
• опыт работы с Qdrant, Milvus, Weaviate, pgvector, Elasticsearch/OpenSearch, а также понимание ANN-индексации и гибридного поиска;
• опыт развёртывания моделей через vLLM, SGLang; понимание GPU-инференса, квантования, batching и оптимизации производительности;
• знакомство с VLM, OCR, TTS, STT, ETL-процессами, document processing, Airflow/n8n, а также инструментами оценки: Ragas, DeepEval, Promptfoo, LangSmith, Arize Phoenix;
• опыт работы с классическим ML: подготовка и анализ данных, обучение и валидация моделей, понимание задач классификации, регрессии, кластеризации, временных рядов и основных метрик качества;
• опыт работы с Deep Learning: Computer Vision, NLP.

Что предлагаем для твоего комфорта:

• работу в команде с высокой экспертизой;
• стабильный и прозрачный доход;
• среду роста и развития;
• сочетание стабильности банка и гибкости ИТ;
• крутую корпоративную культуру.

Location

Tbilisi, with the option to work fully remotely, in the office, or in a hybrid format.

About the company

A software development and IT services provider that builds machine learning and data-intensive solutions for clients across finance, healthcare, retail, telecom, and other industries.

The current project serves a global investment management firm and focuses on real-time routing optimization, ETA prediction, and large-scale geospatial data processing.

Responsibilities

• Build and refine production ML models that correct routing-engine ETA estimates, ranging from gradient-boosted trees to neural and Transformer architectures as data scale grows.
• Develop traffic-estimation and map-matching components that convert large-scale GPS data into road-level speeds, historical traffic profiles, and clean road-graph positions.
• Improve ETA calculation, smoothing, and rerouting logic, and define ML objectives with suitable proxy metrics and cost-sensitive loss formulations.
• Own evaluation end-to-end, including offline accuracy and routing-quality metrics plus online experiments such as shadow tests and switchbacks, and partner with backend, product, and operations teams to ship low-latency models and extend ETA capabilities.

Requirements

• 5+ years in machine learning engineering, including at least 3+ years building and deploying deep learning models in production.
• Direct experience with regression, forecasting, or prediction models on tabular, time series, or event data, including gradient boosting (XGBoost, LightGBM, CatBoost).
• Expert-level Python and SQL plus PySpark, Pandas, NumPy, Scikit-learn, and PyTorch; ability to design an ML system from scratch, from raw logs and feature engineering through to model serving.
• Experience turning business goals into ML problems with the right metrics, designing or contributing to A/B, switchback, or shadow experiments, managing the ML lifecycle with MLOps practices, and deploying low-latency models with concept-drift monitoring; English at Upper-Intermediate or above.

О роли

Twinby — один из крупнейших российских дейтинг-сервисов с миллионами пользователей: реалтайм (лента, матчи, чаты), деньги (подписки, бусты, покупки), антифрод и модерация. Мы выстраиваем data- и ML-контур и собираем команду. Ищем Team Lead ML (RecSys) в департамент Data & ML — играющего тренера, который отвечает за рекомендательную систему и другие ML-проекты продукта.

Роль примерно на половину практическая (проектируешь и катишь ключевые модели, ревьюишь, разбираешь инциденты) и на половину лидерская (ведёшь небольшую ML-команду, ставишь процесс ML-разработки и приоритизируешь портфель).

Чем предстоит заниматься:

• Владеть рекомендательной системой end-to-end: кандидатная генерация, ранжирование, ре-ранжирование, cold start, exploration — для двустороннего дейтинг-продукта, где выдача должна устроить обе стороны.

• Отвечать за онлайн-результат: цель и метрики, мониторинг качества и дрейфа, откаты и разбор деградаций; A/B-эксперименты ведёшь вместе с продуктовым аналитиком, который отвечает за дизайн и статистику тестов.

• Брать смежные ML-проекты: Trust & Safety (боты и фермы, фрод, модерация, liveness), монетизация и retention (churn, uplift, персональные офферы), NLP по чатам (токсичность, спам, мошеннические сценарии).

• Строить команду и процесс: растить людей, ставить ревью и процесс «гипотеза → офлайн → онлайн-эксперимент → прод → мониторинг», выбирать, что делать и чего не делать.

• Работать с дата-платформой и аналитикой: формулировать требования к логированию показов, фичам и метрикам; вместе выстраивать доверенные данные под ML.

• Писать код сам там, где это даёт максимальный рычаг: дизайн и ключевые модели, критичные пайплайны, ревью.

Что мы ждём:

• Опыт production-рекомендательных систем — не ноутбуки, а система в проде, за онлайн-результат которой ты отвечал (лента, ранжирование, каталог, матчинг).

• Deep learning на практике: PyTorch (или эквивалент), нейросетевое ранжирование и retrieval (two-tower, sequence-модели, multi-task), обучение на больших данных, оптимизация инференса.

• NLP: современные модели для текста (трансформеры, эмбеддинги, fine-tuning), классификация и ранжирование по пользовательскому тексту — токсичность, спам, мошеннические сценарии, поиск похожего.

• Классический ML рядом с DL: градиентный бустинг (CatBoost / LightGBM), фичи, оценка; умение выбрать простое решение, когда глубокое не нужно.

• Уверенный Python, умение написать и вывести модель в прод; понимание, почему офлайн-метрика не равна онлайн-эффекту (смещения, петля обратной связи, дрейф).

• Инстинкт доверия к данным: мониторинг, воспроизводимость, версионирование, тесты на данные.

Будет плюсом:

• Опыт лидерства: вёл людей (формально или как техлид), нанимал, растил, выстраивал процесс. Если не вёл — важно, что хочешь и готов расти в эту сторону.

• Опыт онлайн-экспериментов для рекомендаций (интерференция, долгосрочные эффекты, мощность) — дизайн тестов на нашей стороне ведёт продуктовый аналитик, но понимание ценно.

• Reciprocal-рекомендации, двусторонние рынки (job-платформы, маркетплейсы, такси, дейтинг).

• Опыт Trust & Safety / антифрода (боты, фрод, модерация, liveness), computer vision.

• Опыт монетизации: uplift, churn, бандиты по офферам.

• Опыт с ClickHouse, Airflow, векторным поиском.

• Публикации, доклады, менторство.

Чего НЕ требуем

Идеального знания именно нашего стека, заученных формул без понимания, , опыта дизайна A/B-тестов «с нуля».

Что предлагаем:

• Реальное владение: рекомендательная система и ML-портфель продукта — твои.

• Возможность построить ML с честного фундамента: сначала доверенные данные и метрики, потом модели.

• Автономия в том, как устроены ML-процесс и команда; цели и приоритеты обсуждаешь с Head of Data.

• Богатая фактура дейтинга: взаимность, перекос по полу, безопасность живых людей, чат, монетизация.

• Трудоустройство по ТК РФ.

• Формат работы - удаленный.