Задачи:
- разработка и улучшение ML-моделей прогнозирования спроса и оценки ценовой эластичности (gradient boosting, регрессионные модели, трансформеры);
- проектирование и оптимизация end-to-end ML-пайплайнов: от фичеинжиниринга до продакшн-инференса;
- фичеинжиниринг на больших объёмах транзакционных данных (временные агрегаты, лаги, rolling-признаки, сезонность, RFM-сегментация);
- оптимизация обучения и скоринга моделей: распараллеливание, профилирование, работа с распределёнными фреймворками (Dask, Spark, Ray);
- разработка оптимизационных алгоритмов с математическими ограничениями (целевые функции, регуляризация);
- внедрение моделей в продакшн (Docker, REST/Batch-инференс, мониторинг качества и дрейфа);
- проведение A/B-тестов, анализ метрик качества моделей, интерпретация результатов (SHAP, feature importance).
Требования:
- практического опыта в ML / Data Science не менее 3 лет;
- глубокая экспертиза в gradient boosting (CatBoost/XGBoost/LightGBM): тюнинг гиперпараметров, регуляризация, работа с категориальными признаками, масштабирование на GPU/CPU;
- уверенный Python для продакшн-ML (pandas, NumPy, SciPy, scikit-learn);
- опыт построения и валидации ML-пайплайнов на больших данных (100K+ объектов);
- сильный фичеинжиниринг на табличных и временных данных
- опыт оптимизации и распараллеливания ML-вычислений (multiprocessing, Dask, Spark, Ray);
- SQL на уровне работы с большими таблицами (joins, window-функции, оптимизация запросов);
- понимание статистики (A/B-тесты, доверительные интервалы, проверка гипотез) и оптимизационных методов;
- опыт применения трансформеров будет плюсом;
- знание MLOps (Airflow/Prefect, MLflow, мониторинг дрейфа) будет плюсом;
- опыт в домене ритейла / ценообразования / программ лояльности будет плюсом.
