Старший инженер инфраструктуры

Вам предстоит:

Ценообразование и аналитика продаж

• Разработка и обучение модели динамического ценообразования: CatBoost/XGBoost на исторических данных сделок — прогноз базовой цены лота с учётом строиготовности, локации, типологии

• Анализ зависших лотов: модель выявляет объекты с аномально низким темпом продаж и предлагает ценовую коррекцию

• Прогноз темпов продаж по каждому ЖК на горизонт 3–6 месяцев — на вход данные из DWH, парсинга конкурентов и внешних макрофакторов

• Мультигородская аналитика: сравнение динамики спроса и цен в 7 городах присутствия DOGMA для выбора локации новых проектов

• Интеграция ценовой модели с BI Superset через FastAPI — рекомендации отображаются в дашборде в реальном времени

AI-подборщик квартир (dogma.ru)

• Разработка алгоритма рекомендаций для сайта dogma.ru: collaborative filtering + контентные признаки (площадь, этаж, вид, планировка, цена)

• Сбор и подготовка датасета: поведенческие данные пользователей сайта (клики, время просмотра, заявки) из DWH

• A/B тестирование алгоритма совместно с Data Analyst: метрика успеха — +20% CTR на карточку квартиры

• Деплой через FastAPI-эндпоинт, подключение Backend Developer — алгоритм работает в реальном времени на сайте

• Речевая аналитика (Департамент продаж)

• Построение пайплайна анализа звонков: Whisper / SpeechKit STT → транскрипт → LLM-классификатор → структурированный отчёт

• Разработка LLM-классификатора нарушений скриптов: модель определяет отклонения по чеклисту, формирует рейтинг менеджеров

• Пилот на 100 звонках ОПТ — валидация качества транскрипции и классификации перед промышленным запуском

• Настройка голосового диспетчера для управляющей компании: маршрутизация входящих обращений жителей без участия оператора

• Метрика успеха: −40% нарушений скриптов, −30% нагрузки на колл-центр

Видеоаналитика стройконтроля

• Разработка CV-пайплайна на YOLOv8: детекция нарушений СИЗ (каски, жилеты), открытых проёмов, строительного мусора на площадке

• Подключение и настройка потока с IP-камер на строительных объектах DOGMA

• Разработка системы автоматических штрафов: нарушение зафиксировано → алерт → запись в систему → штраф подрядчику

• Построение рейтинга подрядчиков на основе накопленной статистики нарушений

• MVP за 5 месяцев, промышленное внедрение — 11 месяцев. Метрика: −35% нарушений на площадке

RAG-системы и LLM-инициативы

• ГОСТ-ревизор: RAG-система проверки проектной документации до экспертизы — поиск ошибок и несоответствий по базе ГОСТ/СП/СанПиН. Стек: локальная LLM (Qwen) + RAG + ClickHouse. Метрика: −30% замечаний экспертизы

• AI-планировщик секций: интеграция Maket.ai API — генерация готовых планировок в заданных пятнах, создание новых типологий. Метрика: −40% времени на пятнографию и ОПР

• Финансовые модели: LLM-суммаризатор выявляет отклонения в финмоделях, предлагает рекомендации по оптимизации на основе аналогов. Метрика: +3× выявленных отклонений

• Нормативный мониторинг: LLM + парсинг pravo.gov.ru — автоматическое отслеживание изменений в СП, СанПиН, ФЗ с формированием сводок. Метрика: 0 дней задержки обновления нормативной базы

AI-скоринг лидов

• Разработка CatBoost-модели скоринга лидов: предсказание вероятности сделки по параметрам клиента, источнику, поведению на сайте

• Подготовка фичей: история взаимодействий из CRM (Битрикс24) через Data Engineer, поведенческие данные из DWH

• Интеграция с CRM через Backend Developer: скоринг лида появляется в карточке Битрикс24 автоматически

• Метрика успеха: +15–25% конверсии лид → сделка

• SmartHome и предиктивное обслуживание (Фаза 3)

• Предиктивное обслуживание лифтов: ML-модель на данных сенсоров предсказывает аварийные ситуации за 4–6 недель до срыва. Метрика: −40% аварийных ситуаций

• AI-аналитика потребления ресурсов: IoT-данные (вода, свет, тепло) → предиктивное обслуживание общедомового оборудования

• Цифровой двойник объекта: YOLOv8 + BIM API + DJI SDK — динамическая виртуальная копия стройплощадки, прогноз задержек, автоперестройка графика. Метрика: −20% задержек объектов

Эксперименты и качество моделей

• Логирование всех экспериментов в MLflow: параметры, метрики, артефакты — версионирование каждого обученного прогона

• A/B тестирование моделей в проде совместно с Data Analyst: challenger vs champion, принятие решения о смене модели только по статистически значимым результатам

• Мониторинг дрейфа данных совместно с MLOps: алерт при деградации качества модели ниже порогового значения

• Написание понятных README и карточек моделей: что модель делает, на каких данных обучена, какие ограничения

Документация и процессы

• Документирование каждой модели: постановка задачи → данные → архитектура → метрики → ограничения

• Участие в техническом планировании совместно с Data Engineer: какие данные нужны и в каком формате ещё до начала разработки

• Передача ML-моделей MLOps для деплоя: оформленный Docker-образ + FastAPI-эндпоинт + описание зависимостей

• Участие в Sprint Review: демонстрация результатов обучения и метрик бизнес-заказчику понятным языком

Наши ожидания:

• Python 3.x — основной язык, уверенный уровень: ООП, типизация, работа с async

• CatBoost / XGBoost / Scikit-learn — продакшн опыт: обучение, настройка гиперпараметров, оценка качества, интерпретируемость

• PyTorch — обучение и fine-tuning нейросетей, понимание градиентного спуска и backprop

• LLM и RAG pipeline — Langchain или LlamaIndex: построение систем с контекстом документов, векторные базы (Chroma, Weaviate, FAISS)

• Computer Vision — YOLOv8 или аналог: детекция объектов, трекинг, работа с видеопотоком

• FastAPI — оборачивает модели в REST API, понимает асинхронность и обработку ошибок

• SQL / ClickHouse — самостоятельно выгружает данные для обучения, не зависит от Data Engineer для базовых запросов

• Docker — упаковывает модели в образы для передачи в MLOps

• MLflow или ClearML — трекинг экспериментов, версионирование моделей, сравнение прогонов

• Понимание 152-ФЗ — какие данные являются ПДн, какие модели нельзя обучать на открытых облачных сервисах

Дополнительно:

• Whisper / SpeechKit STT — транскрибация аудио, работа с русскоязычной речью

• Локальные LLM — развёртывание и запуск Qwen, Mistral, GigaChat через Ollama / vLLM

• BIM API / Maket.ai API — интеграция с проектными инструментами (Фаза 3)

• Midjourney API / Stable Diffusion — генерация визуализаций (nice to have для Деп. стратегии)

• OR-Tools — оптимизация расписаний и графиков (AI-планировщик секций)

• Yandex Cloud ML — понимание GPU-инфраструктуры, SageMaker-аналоги в российском стеке.

В Dogma Вас ждут:

• Работа в крупном строительном холдинге федерального уровня;
• Официальное оформление по ТК РФ с первого рабочего дня (стабильная белая заработная плата с выплатами 2 раза в месяц, оплата больничных листов, ежегодные отпуска);
• Формат и место работы - гибрид, ул.Садовая-Кудринская, 1;
• График работы 5/2 с 09.00 до 18.00;
• Корпоративная программа лояльности для сотрудников Best Benefits – скидки от партнёров;
• Скидки для сотрудников на приобретение недвижимости компании от 4% до 7%;
• Всё для эффективной и качественной работы: профессиональная техника, мобильный телефон и корпоративная сотовая связь;
• Возможность обучения и развития в рамках корпоративного университета компании (тренинги, мастер-классы, онлайн-обучение);
• Корпоративные подарки детям сотрудников к Новому году и объединяющие корпоративные мероприятия;
• Корпоративные тренировки по волейболу и футболу;
• Безграничные возможности кросс-функционального взаимодействия и участия в крупных проектах для расширения профессиональной экспертизы;
• Отличная команда профессионалов с комфортной и дружелюбной рабочей атмосферой.