Główny analityk danych/inżynier uczenia maszynowego w ATB-market

Zapraszamy do dołączenia do naszego zespołu Główny analityk danych/Inżynier uczenia maszynowego

Obowiązki:kierowanie kierunkiem i planem ML; zapewnić przejście od pomysłów do stabilnej produkcji i skalowania; wykazać wymierny wpływ na zyski i straty.

Obszary odpowiedzialności:

• Priorytety inicjatywy ML, zasady architektoniczne, metryki/standard walidacji; 
• Zarys operacyjny: standardy zbiorów danych/funkcji, kontrola SRM, zasady wdrażania/wycofywania; 
• Niezawodność/obserwowalność usług (SLO/SLI, alerty, wnioskowanie uwzględniające koszty), w tym scenariusze brzegowe; 
• Przywództwo techniczne: zatrudnianie/mentoring, przegląd, badania i kultura wiedzy; 
• Zarządzanie danymi: informacje umożliwiające identyfikację, dostęp, pochodzenie, mapy/dokumentacja modeli;
• Platforma eksperymentalna: zdarzenia, stratyfikacja, przyrost;
• Modele cenowe/promocyjne z elastycznością, kanibalizmem, limitami półek/zapasów; personalizacja misji;
• Synchronizacja celów ML z budżetem/planem, przejrzyste raportowanie wpływu;

Oczekiwane rezultaty (przykłady OKR):

• NDCG@K > 2 v.p. w zakresie personalizacji (A/B, istotność statystyczna) 
• Wzrost w zakresie utrzymania dzięki odpowiedniemu zestawowi promocji w korytarzach kontrolnych.

Wymagania:

• 5 lat w ML/DS, ponad 2 lata jako lider/technologia;
• Udokumentowane doświadczenie w budowaniu i wprowadzaniu do produkcji lokalnych usług ML z replikacją sklepu/regionu; 
• Przypadki w CV/Recsys/TS o udowodnionym efekcie biznesowym; produkcja-Python/SQL; Praktyki MLOps, testowanie, monitorowanie; 
• Zdarzenia (streaming) i wsadowe, monitorowanie modeli (dryfty/stabilność/degradacje), projektowanie eksperymentów, komunikacja biznesowa.

Będzie dodatkowym atutem:

• Funkcje multimodalne/sygnały LLM do zimnego rozruchu; recsy uwzględniające stan zapasów; optymalizacja promocji; 
• Zarządzanie umowami dotyczącymi funkcji/pochodzeniem/metadanymi; optymalizacja kosztów wnioskowania (ONNX/TensorRT/kwantyzacja);
• Wnioskowanie brzegowe w hali/SCO, ochrona przed oszustwami.

Stos techniczny (on-prem): 

Role/modele

1. CV: Python, PyTorch, OpenCV, Albumentations, YOLOv8–v10 lub Detectron2, TrOCR lub Tesseract.
2. Recsys: NVIDIA Merlin/Transformers4Rec, implicit (ALS), LightFM, zmiana kolejności/prognoza TS: LightGBM, CatBoost, XGBoost, N-BEATS, N-HiTS, TFT
3. Wektory: FAISS, pgvector, Milvus | Qdrant. Pandy/Polary do lokalnego przetwarzania.

Platforma NLP/LLM 

1. Rdzeń NLP: Hugging Face Transformers, Datasets, Tokenizers, SentencePiece, spaCy|Stanza (UK), Sacremoses.  
2. LLM serwująca: vLLM|Przytulająca twarz TGI; TensorRT-LLM|llama.cpp/gguf (według profilu zasobów).  
3. RAG: OpenSearch (BM25) plus zmiana rankingu, dzielenie i pozyskiwanie, wyszukiwanie hybrydowe za pomocą FAISS|pgvector lub Milvus|Qdrant.  
4. Ocena: ROUGE, BLEU, METEOR, BERTScore, MTEB, Recall@K, MRR, NDCG. Bezpieczeństwo/PII: Microsoft Presidio. 

MLOps/Udostępnianie/eksperymenty

1. MLflow (śledzenie/rejestrowanie/Udostępnianie)
2. Udostępnianie: NVIDIA Triton | KServ | Rdzeń Seldona | Ray Serve
3. Sklep z funkcjami: Uczta (samodzielny hosting)

Platforma danych i przetwarzania

1. Streaming: Kafka | Redpanda
2. Obliczenia: Spark| Flink
3. Orkiestracja: przepływ powietrza | Dagster
4. Transformacje: dbt Core
5. SQL/Storefronts: PostgreSQL, ClickHouse

Przechowywanie i architektura danych

1. Lakehouse: Apache Iceberg | Delta Lake
2. Formaty: parkiet, ORC
3. Przechowywanie obiektów: MinIO | CEPH

Obserwowalność/jakość

1. Obserwowalność usługi: Prometheus, Grafana, Loki
2. Obserwowalność ML: Ewidentnie, dlaczego logi
3. Linia/katalog: OpenLineage, OpenMetadata lub DataHub

Infrastruktura i bezpieczeństwo

1. Konteneryzacja/klaster: Docker, Kubernetes | OpenShift
2. Bezpieczeństwo: zasady jako kod, zarządzanie tajemnicą Vault | Sealed Secrets

Osoba kontaktowa: Kateryna, tel.0984567857 (t.me/KaterynaB_HR)