Middle/Senior Data Scientist/ML Engineer в направление RecSys

Мы — команда, которая строит и развивает LLM-агентов для поддержки пользователей и внутренних бизнес-процессов. Делаем решения под ключ: от прототипов и экспериментов до промышленных сервисов с мониторингом качества, метриками и стабильной эксплуатацией.

Работаем на стыке ML/LLM и backend-разработки: проектируем пайплайны, интегрируемся с продуктами и инфраструктурой, строим RAG-системы и агентные сценарии, измеряем качество (precision/recall/F1, macro-F1), ведём эксперименты и улучшаем модели на данных. Используем Python, LangGraph/LangChain-подходы, Langfuse для наблюдаемости, Git и внутренние платформы хранения/обработки данных (в том числе YTsaurus), а также очереди и хранилища (Kafka/Redis).

Задачи

• Разрабатывать и развивать LLM-агентов: сценарии, инструменты (tools), оркестрацию, память, маршрутизацию, обработку ошибок и fallback-логики
• Проектировать и внедрять RAG: индексация, эмбеддинги, ретриверы, ранжирование, чанкинг, оценка качества поиска и ответа
• Интегрировать агентные решения в прод: сервисы, API, взаимодействие с Kafka/Redis и другими компонентами инфраструктуры
• Настраивать наблюдаемость и контроль качества: логирование/трейсинг, Langfuse, дашборды, алерты, анализ деградаций
• Проводить офлайн/онлайн-оценку качества: считать precision/recall/F1/F1-macro, строить датасеты, проводить A/B или квазиэксперименты, формулировать гипотезы улучшений
• Участвовать в улучшении пайплайнов данных и экспериментов: подготовка данных, разметка/валидация, хранение и воспроизводимость
• Писать поддерживаемый код: ревью, тесты, документация, CI/CD, участие в архитектурных решениях

Требования

• Уверенный Python (проектирование модулей, типизация, тестирование, работа с API/сервисами)
• Практический опыт работы с LLM/agentic-подходами: промптинг, tool calling, цепочки/графы, управление контекстом, обработка галлюцинаций и ограничений моделей
• Понимание и опыт оценки качества: precision/recall/F1, macro-F1, построение датасетов и интерпретация метрик
• Опыт построения или внедрения RAG (retrieval, embeddings, индексация, ранжирование, чанкинг, оценка retrieval-качества)
• Опыт разработки и эксплуатации сервисов: REST/gRPC, асинхронность, логирование, мониторинг, работа с Git
• Понимание очередей/кешей/хранилищ (Kafka, Redis или аналоги), опыт интеграций

Будет плюсом

• Опыт с LangGraph/LangChain, Langfuse (трейсинг, промпт-менеджмент, датасеты, evaluation)
• Опыт с YTsaurus или другими распределёнными системами хранения/обработки данных
• Опыт low-code/конструкторов пайплайнов и быстрых прототипов, доведение их до production
• Знание подходов к ранжированию, rerank, hybrid search, query rewriting, guardrails/safety
• Опыт A/B-тестов, построения продуктовых метрик и причинно-следственного анализа
• Опыт работы с контейнеризацией и деплоем (Docker/K8s), CI/CD

Мы — команда портфельного менеджмента Т-Лизинга. Отвечаем за развитие подходов к управлению портфелем: ищем возможности для роста, выстраиваем новые стратегии принятия решений и оптимизируем действующие.

В работе соединяем финансовую и риск-аналитику: развиваем NPV- и PD-модели, анализируем доходность и риски разных сегментов, запускаем продуктовые тесты и оцениваем их результаты. На основе данных и моделей помогаем принимать решения о дальнейшем развитии лизингового портфеля.

• Строить, поддерживать и развивать финансовые NPV- и LTV-модели
• Адаптировать модели под изменения лимитно-тарифной политики и финансовых параметров: капитала, фондирования, МПН, МПЛ и резервов
• Рассчитывать и анализировать метрики доходности продукта
• Анализировать сегменты портфеля с точки зрения рисков и доходности, находить зоны роста
• Учитывать результаты скоринговых моделей при построении NPV- и LTV-моделей
• Строить и обновлять поведенческие кривые для финансовых моделей
• Рассчитывать стресс-сценарии развития продукта с помощью NPV- и LTV-моделей
• Проектировать и проводить продуктовые тесты, анализировать результаты
• Взаимодействовать с командами бизнеса, финансов, разработки и юристами

• Знаете математическую статистику и теорию вероятностей на продвинутом уровне, умеете применять A/B-тесты
• Знаете альтернативные методы проверки гипотез: базовые ML-подходы, когортный анализ, синтетический контроль и другие
• Уверенно работаете с SQL и Python
• Понимаете механику работы финансовых продуктов, например кредитных, страховых или дебетовых
• Умеете анализировать данные о процессах, например взыскании или верификации
• Будет преимуществом: умение оценивать качество скоринговых моделей и калибровать их, понимание методологии NPV/LTV, финансовых потоков продукта и влияния поведенческих характеристик на них, знание метрик IRR и ROE, практический опыт построения или адаптации NPV/LTV-моделей под новые продукты, оценки влияния продуктовых изменений на модель, построения логики принятия решений с помощью NPV/LTV и проведения стресс-тестов финансовых моделей

• Гибридный график и офис у метро «Белорусская», в котором есть все что нужно: Т-Клиника, салон красоты, фитнес-зоны, комнаты для сна и медитации. Если захочется поработать на свежем воздухе — терраса с панорамным видом
• Возможность работы в аккредитованной ИТ-компании
• ДМС со стоматологией, включая чекапы, компенсацию покупки лекарств и льготные условия страхования для близких. Еще — страховка от несчастных случаев и болезней
• Рост по карьерному треку: проходите курсы по софт- и хард-скиллам, развивайтесь с поддержкой ментора и повышайте уровень с матрицей компетенций и регулярным ревью
• Сильное комьюнити. Вы будете работать с экспертами в своей области, сможете делиться знаниями и выступать на конференциях, посещать митапы и писать статьи
• Онлайн-консультации с психологами, юристами, специалистами по финансам и здоровому образу жизни
• Компенсацию затрат на спортивные абонементы, приложение Т-Спорта для онлайн-занятий и командные тренировки с коллегами
• Завтраки и обеды в Т-Кафе. В офисе есть ресторан и кофейни, на каждом этаже — кухня, где можно перекусить
• Три дополнительных дня к отпуску — можно использовать для отдыха или получить компенсацию
• Специальные тарифы на продукты Т-Банка и широкую программу скидок от партнеров
• Достойную зарплату — обсудим ее на собеседовании

Location

Berlin, Germany; hybrid format with a minimum number of days per week in the office.

About the company

A global mobility platform operating ride-hailing, food delivery, scooters, e-bikes and car-sharing across 50 countries and 850+ cities, serving over 200 million customers and 4.5 million driver and courier partners.

Work is organised in small, autonomous teams that combine startup speed and ownership with the scale of a major technology company.

Responsibilities

• Own ML systems end to end, from prototype to deployed, monitored and retrained services, maintaining mature models and building new ones
• Design, train and deploy models on tabular, image, video and sensor data, covering vehicle deployment and rebalancing, battery swaps, rider safety, regulatory compliance and pricing
• Turn modelling output into operational and pricing rules with clear economics, validating them through experiments and quasi-experimental analysis
• Collaborate with software engineers, data scientists, product managers, operations and the ML platform team, and write documentation, runbooks and diagnostics

Requirements

• 5+ years in applied data science or ML engineering, ideally in a product setting, with proven hands-on experience building ML systems end to end including testing, monitoring, scaling and impact measurement
• Strong engineering fundamentals: Python and SQL/PySpark, clean code, modern ML tooling and cloud infrastructure such as AWS, SageMaker, Airflow, Docker and MLflow
• Production experience with a deep learning framework (PyTorch, TensorFlow or JAX)
• Experience with experimentation design and causal inference, strong product sense and proactive ownership, comfortable wearing several hats in a small team