ID 2609

ML разработчик
Middle/Middle+
СРОЧНЫЙ БЫСТРЫЙ сразу рассмотрят - спец нужен на замену
Описание проекта и команды
Управляющая компания
Кол-во специалистов
1
Длительность проекта
Не указано
Объем участия в проекте
Высокая нагрузка
160 ч/мес
Формат взаимодействия
Удаленно
Требуемая локация специалиста
Россия
Доступность специалиста
UTC +3
Требуемое гражданство специалиста
РФ
Банки и финансы
Обязательные
требования
Не менее 3 лет в роли ML Engineer либо на смежной позиции (например, Data Scientist с выраженным инженерным уклоном);
Продвинутый уровень программирования на Python: написание чистого и модульного кода, работа с типизацией и асинхронным программированием;
Уверенное владение библиотеками scikit‑learn, pandas, NumPy;
Практический опыт работы с одним из фреймворков: PyTorch, TensorFlow или JAX;
Опыт написания сложных SQL‑запросов, включая оконные функции;
Знакомство с инструментами обработки больших данных: Spark (PySpark) или Dask;
Навыки оптимизации запросов;
Базовые навыки администрирования Docker и Kubernetes;
работа с системами контроля версий (Git, DVC для управления данными);
Настройка CI/CD‑пайплайнов (GitLab CI, GitHub Actions, Jenkins);
Мониторинг моделей и инфраструктуры (Prometheus + Grafana, Evidently AI, MLflow);
Облачные платформы: опыт работы хотя бы с одной из:
AWS (SageMaker, EKS), GCP (Vertex AI), Azure ML, либо опыт развёртывания on‑premise решений (Kubeflow, Airflow);
Деплой моделей: практический опыт вывода моделей в production с использованием FastAPI, Flask, Triton Inference Server, TensorFlow Serving или аналогичных инструментов.
Дополнительные
требования
Опыт работы с feature store: Feast, Tecton, Hopsworks;
Навыки распределённого обучения: Horovod, Ray, PyTorch Distributed.
Задачи на проекте
Разработка и оптимизация моделей машинного обучения для решения бизнес‑задач (прогнозирование, классификация, рекомендательные системы, обработка естественного языка / компьютерное зрение — в зависимости от проекта);
Проектирование и внедрение пайплайнов обработки данных (ETL/ELT) для обучения и инференса моделей;
Настройка и поддержка CI/CD‑пайплайнов для ML‑моделей (MLOps), включая версионирование данных и моделей, автоматическое переобучение и мониторинг дрифта;
Интеграция моделей в продуктовую среду посредством REST API, брокеров сообщений или batch‑процессов;
Проведение A/B‑тестирования моделей, анализ их качества в реальном времени и формирование предложений по улучшению;
Участие в выборе архитектуры и технологического стека для новых AI‑решений;
Документирование разработанных решений и обмен экспертизой внутри команды.