ML-инженер

Команда AVO SERVICES AND TECHNOLOGY создает новый технологичный розничный банк на рынке Узбекистана. Основная концепция сервиса - клиент самостоятельно может получить все услуги банка через мобильное приложение и устройства самообслуживания.
Наш сегодняшний вызов - создать самый продвинутый digital банк в Узбекистане. Мы ищем ML-инженера.
Обязанности:
• Microservices для ML: разрабатывать и поддерживать сервисы инференса (API/батч), обеспечивать SLA по latency/uptime, делать безопасные релизы и откаты.
• Production-рефакторинг: приводить текущие решения к прод-стандартам (структура кода, тесты, зависимости, конфиги, логирование, обработка ошибок).
• Feature Platform (инженерная часть): помогать команде с интеграцией feature store/feature platform в прод: materialization, online/offline, согласованность, доступность фичей на инференсе.
• Monitoring & Reliability: строить мониторинг сервиса и качества (latency, errors, throughput), мониторинг данных/фичей и модели (data quality, drift, деградация метрик), алерты и runbooks.
• Путь из R&D в Prod: упаковывать экспериментальные решения в воспроизводимый пайплайн (CI/CD, контейнеры, окружения), формализовать артефакты и процессы деплоя.
Требования:
Backend / Microservices engineering
• Опыт разработки продакшн-микросервисов (REST/gRPC) и понимание требований к reliability: таймауты, ретраи, rate limiting, идемпотентность, graceful shutdown.
• Python (FastAPI) + готовность работать с ML-стеком.
• Практика рефакторинга: умеет превращать “ноутбук/прототип” в поддерживаемый сервис.
MLOps & CI/CD
• Понимает жизненный цикл ML в проде: артефакты модели, версии, reproducibility, конфиги, миграции, совместимость схем.
• Умеет строить CI/CD под ML-сервисы: тесты, линтеры, сборка контейнеров, деплой по окружениям (dev/stage/prod), rollback.
• Опыт контейнеризации (Docker), базовые знания оркестрации.
Monitoring, observability, quality control
• Настраивает наблюдаемость: structured logging, метрики, трассировка.
• Понимает мониторинг ML-специфики: data quality checks, drift/стабильность фичей, деградация качества модели, алерты и расследование инцидентов.
Data / Feature Platform integration
• Уверенный SQL и понимание DWH/OLTP различий; опыт работы с PostgreSQL/Greenplum или аналогами.
• Понимает, как устроены фичи для инференса: entity key, временные окна, offline/online parity, устранение leakage, SLA на обновление.
• Желательно: практический опыт с Feature Store/Feast или аналогичной платформой (или сильный опыт интеграции данных в realtime/near-realtime сервисы).
Требования к опыту и бэкграунду
• 2–4+ года в ML Engineering / Backend Engineering / MLOps с реальными продакшн-релизами.
• Опыт сопровождения сервиса: инциденты, причины, улучшения (post-mortem, runbooks).
Плюсом будет
• Банковский/финтех-контекст: скоринг, churn/retention, ограничения по безопасности/аудиту, работа с чувствительными данными.
• Опыт с MLflow (или аналогом), Prometheus/Grafana, Airflow (или аналогом), feature materialization/jobs.
• Понимание performance-оптимизаций инференса (батчинг, кэширование, профилирование, ускорение пайплайна фичей).
Условия:
• Трудоустройство в соответствии с ТК Республики Узбекистан.
• Оплачиваемый отпуск и больничные.
• Помощь с релокацией для тех, кто решит переехать в солнечный Ташкент.
• Выдаем технику.
• Высокая конкурентная заработная плата.
• Амбициозный проект, в котором ты будешь играть одну из важнейших ролей.
Где предстоит работать
Удаленно из любого города в схожем часовом поясе.
Для оформления и прохождения онбординга необходимо приехать на 2 недели в Ташкент. Поездку компенсирует компания.