Стажёр/ML Engineer (Python)

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.

• Разрабатывать и внедрять ML-модели для прогнозирования поведения клиентов-физических лиц и розничного продуктового портфеля Банка
• Рассчитывать ожидаемые денежные потоки по кредитным и пассивным продуктам Банка

• Высшее техническое, физико-математическое или экономико-математическое
• Опыт работы в банковской сфере в розничном бизнесеот 3-х лет
• Понимание особенностей розничных банковских бизнес-процессов
• Опыт разработки и внедрения ML-моделей от сырых данных до production
• Готовность работать с большими объемами данных
• Свободно владеть Python: Pandas, NumPy, Matplotlib (аналогичными инструментами визуализации)
• Свободно владеть SQL: оконные функции, сложные JOIN, оптимизация запросов к БД
• Свободно владеть ML-библиотеками: CatBoost / LightGBM / XGBoost / Scikit-learn
• Высокая автономность: способность самостоятельно найти необходимые данные
• Стрессоустойчивость при работе с legacy-кодом и неполными данными (грязным «data mining»)
• Будет преимуществом владение: MLflow, Airflow, Butch Scoring, Docker, Spark / PySpark

• Новая вакансия
• Удобное расположение офиса в центре Москвы
• В Москве корпоративный спорт: йога, футбол, хоккей, бег
• Корпоративная система скидок BestBenefits
• Высокий уровень ENPS - Банк хороший работодатель