Senior ML Engineer — Demand Forecasting & Inventory Optimization
Small — одна из крупнейших grocery retail сетей в Казахстане — мы управляем более чем 160 магазинами в 10 городах страны.
small · На сервисе с: 27.07.26 07:50
Small — одна из крупнейших grocery retail сетей в Казахстане — мы управляем более чем 160 магазинами в 10 городах страны.
Мы строим систему автозаказа, которая определяет, сколько товара необходимо заказать в каждый магазин. Ищем сильного ML-инженера, который возьмёт на себя технический ownership проекта: работу с данными, постановку экспериментов, выбор моделей для production-пайплайна, offline и online оценку качества, управление автозаказом как продуктом.
Чем предстоит заниматься:
- Формировать roadmap ML-экспериментов и самостоятельно выбирать наиболее перспективные направления.
- Исследовать подходы к прогнозированию сезонного, нерегулярного и прерывистого спроса.
- Работать с промо, календарными эффектами, новыми SKU, дефицитом истории и спросом, цензурированным спросом и восстановлением lost sales при отсутствии товара.
- Проводить ABC/XYZ-анализ.
- Развивать rolling-origin backtesting и методологию сравнения моделей без временных утечек.
- Оценивать решения не только по forecast-метрикам, но и по бизнес-результатам: out-of-stock, fill rate, оборачиваемости и объёму избыточного запаса.
- Улучшать преобразование прогноза в заказ с учётом графика поставок, остатка, lead time и ограничений поставщика.
- Развивать production ML-пайплайн: качество данных, воспроизводимость экспериментов, мониторинг моделей и диагностику деградаций.
- Взаимодействовать с командами Data Engineering, инфраструктуры и бизнеса, превращая неопределённые задачи в проверяемые гипотезы и работающие решения.
- Определять техническую архитектуру ML-части системы и стандарты разработки: от подготовки выборок и экспериментов до деплоя и мониторинга.
Что для нас важно:
- Сильный практический опыт в машинном обучении и опыт эксплуатации моделей в production.
- Опыт решения задач прогнозирования временных рядов: корректная временная валидация, сезонность, cold start, sparse или intermittent demand.
- Хорошее понимание того, как выбирать метрики и дизайн эксперимента под бизнес-задачу, а не оптимизировать одну offline-метрику.
- Уверенные Python и SQL.
- Умение разбираться в данных, находить смещения и утечки, проверять качество источников.
- Способность самостоятельно формулировать план работы, принимать технические решения и доводить изменения до production.
- Готовность объяснять результаты и компромиссы как инженерам, так и бизнесу.
- Дисциплинированный опыт AI-assisted development: умение ускорять работу с помощью coding agents, не перекладывая на них ответственность за корректность решений, качество кода и безопасность данных.
Будет большим плюсом:
- Опыт в grocery retail, e-commerce, supply chain или inventory replenishment.
- Опыт построения глобальных моделей на большом количестве связанных временных рядов.
- Понимание retail-специфики: промо, каннибализация, out-of-stock, цензура спроса, ассортиментные изменения, новые магазины и SKU.
- Знание основ inventory optimization: safety stock, service level, lead time, order multiple, lost sales.
- Опыт проведения онлайн-экспериментов или пилотов, где прогноз влияет на реальные операционные решения.
- Опыт с CatBoost, PyTorch, ClickHouse, Kafka, Airflow, SLURM или Kubernetes.
Наш текущий контур
Масштаб задачи:
- несколько миллионов SKU × store комбинаций каждый день
- ежедневный и внутридневной расчет
- прогнозирование на разные горизонты -- от нескольких дней до нескольких недель
- несколько лет истории в данных
Сейчас в проекте есть:
- модель прогнозирования спроса на основе градиентного бустинга;
- фреймворк для rolling-origin backtesting;
- интеграции с ClickHouse, Kafka, Airflow, Slurm, Kubernetes;
- production-пайплайн с платформенным мониторингом и наблюдаемостью.
То есть задача не «сделать первую модель с нуля». Система уже работает в production в пилотном режиме и используется для формирования заказов на все SKU и магазины.
Куда мы хотим прийти:
- Повысить доступность товаров, одновременно снижая избыточный запас и списания.
- Расширить систему с контура «распределительный центр → магазин» на заказы «поставщик → распределительный центр» и другие supply-chain сценарии.
- Корректно учитывать неопределённость спроса и целевой service level, выбирая квантили прогноза с учётом стоимости дефицита и избыточного запаса.
- Построить устойчивый процесс экспериментов и внедрения изменений с измеримым бизнес-эффектом.
Что мы предлагаем:
- Реальный end-to-end ownership: возможность влиять на постановку задачи, данные, модели, backtesting, production и бизнес-метрики.
- Доступ к вычислительному кластеру из 8 нод, каждая — 128 CPU, 2 TB RAM и 8×NVIDIA H200. Мы не требуем использовать deep learning там, где он не нужен, но инфраструктура позволяет проверять вычислительно сложные подходы без искусственных ограничений.
- Возможность удаленной работы или в офисе в Алматы или Астане
Похожие вакансии Data Science & ML
Управление Модельных Рисков - «by-design» уникальное подразделение, которое «видит» все AI/ML модели Банка, понимает процессы/точки принятия решений моделями, кривая обучения у наших сотрудников «круче», чем в подразделениях, разрабатывающих модели.
Наша цель – помочь Банку зарабатывать больше и улучшать клиентский опыт за счет повышения эффективности моделей и их использования в Бизнес процессах.
Мы ищем DS/Quant с экспертизой на стыке финансовой математики, торговых алгоритмов и ML для работы в напралении Модельного Риска Торговой Книги. Вы будете выступать ключевым звеном контроля качества моделей и агентов, используемых в оценке рисков и ценообразовании финансовых инструментов.
Обязанности
- оценка качества моделей ClassicML, работающих на финансовых рынках, в том числе: торговые алгоритмы, оценка эластичности по цене, кластеризация клиентов и т.д.
- проведение независимой оценки качества моделей прайсинга финансовых инструментов, а также риск-моделей (включая VaR, CVA, PFE)
- анализ корректности математических предпосылок, устойчивости моделей и их соответствия бизнес-требованиям и рыночным условиям
- оценка и контроль рисков агентов, работающих в торговых алгоритмах, процессах прайсинга финансовых инструментов и оценки рыночных рисков
- создание инструментов для автоматизации процессов мониторинга моделей и агентов с использованием Python
- подготовка аналитических заключений по результатам валидации, формирование рекомендаций по доработке моделей
- презентация результатов работы, аргументация выводов и защита предложенных решений перед разработчиками моделей, риск-менеджментом и бизнес-заказчиками.
Будет плюсом:
- навыки работы с генеративными AI-моделями; опыт создания AI-агентов и использования их в работе будет преимуществом.
Требования
- знание теории вероятностей, математической статистики и случайных процессов
- опыт работы на стороне разработки или валидации ClassicML моделей
- уверенные навыки программирования на Python, опыт разработки структурированного и поддерживаемого кода
- знание базовых принципов построения моделей прайсинга производных финансовых инструментов
- опыт работы с количественными моделями в финансах или смежных областях будет преимуществом
- участие в летних школах или курсах: Vega, ЦМФ – также является преимуществом.
Условия
- работа в удобном и современном офисе недалеко от станции метро Кутузовская
- ежегодный пересмотр зарплаты, годовая премия
- корпоративный спортзал и зоны отдыха
- более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
- расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
- гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
- подписка Прайм с возможностью совместного использования на трёх близких
- вознаграждение за рекомендацию друзей в команду Сбера.
HireSeeker собирает вакансии со всех площадок и присылает только релевантные. Бесплатно.