Leitender Datenwissenschaftler/Ingenieur für maschinelles Lernen in ATB-market

Wir laden Sie ein, unserem Team beizutreten. Lead Data Scientist/Machine Learning Engineer

Aufgaben:Leitung der ML-Richtung und Roadmap; den Übergang von Ideen zu stabiler Produktion und Skalierung sicherstellen; messbare Auswirkungen auf Gewinn und Verlust nachweisen.

Verantwortungsbereiche: 

• Prioritäten der ML-Initiative, Architekturprinzipien, Metriken/Validierungsstandard; 
• Betriebsübersicht: Datensatz-/Funktionsstandards, SRM-Steuerung, Rollout-/Rollback-Richtlinien; 
• Zuverlässigkeit/Beobachtbarkeit von Diensten (SLO/SLI, Alarmierung, kostenbewusste Inferenz), einschließlich Edge-Szenarien; 
• Technische Führung: Einstellung/Mentoring, Überprüfung, Forschung und Wissenskultur; 
• Datenverwaltung: PII, Zugriff, Herkunft, Modellkarten/Dokumentation;
• Experimentelle Plattform: Ereignisse, Schichtung, Inkrementalität;
• Preis-/Promomodelle mit Elastizitäten, Kannibalisierung, Regal-/Lagergrenzen; Missionspersonalisierung;
• Synchronisierung von ML-Zielen mit Budget/Plan, transparente Wirkungsberichterstattung;

Erwartete Ergebnisse (OKR-Beispiele): 

• NDCG@K > 2 v.p. in der Personalisierung (A/B, statistische Signifikanz) 
• Wartungswachstum aufgrund eines relevanten Promo-Mix innerhalb der Kontrollkorridore.

Anforderungen:

• 5+ Jahre in ML/DS, 2+ Jahre als Lead/Tech Lead;
• Nachgewiesene Erfahrung im Aufbau und der Einführung von On-Prem-ML-Diensten mit Filial-/Regionsreplikation; 
• Fälle in CV/Recsys/TS mit nachgewiesener geschäftlicher Auswirkung; Produktions-Python/SQL; MLOps-Praktiken, Tests, Überwachung; 
• Ereignisse (Streaming) und Batch, Modellüberwachung (Drifts/Stabilität/Verschlechterungen), Versuchsplanung, Geschäftskommunikation.

Wird von Vorteil sein: 

• Multimodale Funktionen/LLM-Signale für Kaltstart; inventarbewusste Recsys; Werbeoptimierung; 
• Funktionsverträge/Herkunfts-/Metadatenverwaltung; Inferenzkostenoptimierung (ONNX/TensorRT/Quantisierung);
• Edge-Inferenz in Hall/SCO, Betrugsbekämpfung.

Technischer Stack (on-prem): 

Rollen/Modelle

1. CV: Python, PyTorch, OpenCV, Albumentations, YOLOv8–v10 oder Detectron2, TrOCR oder Tesseract.
2. Recsys: NVIDIA Merlin/Transformers4Rec, implizit (ALS), LightFM, TS Neuordnung/Prognose: LightGBM, CatBoost, XGBoost, N-BEATS, N-HiTS, TFT
3. Vektoren: FAISS, pgvector, Milvus | Qdrant. Pandas/Polars für die lokale Verarbeitung.

NLP/LLM-Plattform 

1. NLP-Kern: Hugging Face Transformers, Datasets, Tokenizers, SentencePiece, spaCy|Stanza (UK), Sacremoses.  
2. LLM-Portion: vLLM|Hugging Face TGI; TensorRT-LLM|llama.cpp/gguf (nach Ressourcenprofil).  
3. RAG: OpenSearch (BM25) plus Re-Ranker, Chunking und Ingest, Hybridsuche mit FAISS|pgvector oder Milvus|Qdrant.  
4. Bewertung: ROUGE, BLEU, METEOR, BERTScore, MTEB, Recall@K, MRR, NDCG. Sicherheit/PII: Microsoft Presidio. 

MLOps/Bereitstellung/Experimente

1. MLflow (Tracking/Registrierung/Bereitstellung)
2. Bereitstellung: NVIDIA Triton | KServe | Seldon-Kern | Ray Serve
3. Feature Store: Feast (selbst gehostet)

Daten- und Verarbeitungsplattform

1. Streaming: Kafka | Redpanda
2. Berechnen: Spark| Flink
3. Orchestrierung: Airflow | Dagster
4. Transformationen: dbt Core
5. SQL/Storefronts: PostgreSQL, ClickHouse

Datenspeicherung und Architektur

1. Lakehouse: Apache Iceberg | Delta Lake
2. Formate: Parquet, ORC
3. Objektspeicher: MinIO | CEPH

Beobachtbarkeit/Qualität

1. Service-Beobachtbarkeit: Prometheus, Grafana, Loki
2. ML-Beobachtbarkeit: Evidently, whylogs
3. Abstammung/Verzeichnis: OpenLineage, OpenMetadata oder DataHub

Infrastruktur und Sicherheit

1. Containerisierung/Cluster: Docker, Kubernetes | OpenShift
2. Sicherheit: Policy-as-Code, Vault Secret Management | Sealed Secrets

Ansprechpartner: Kateryna, Tel.0984567857 (t.me/KaterynaB_HR)