Ведущий специалист по данным/инженер по машинному обучению в АТБ-маркет

Приглашаем вас присоединиться к нашей команде. Ведущий специалист по данным/инженер по машинному обучению

Обязанности:руководство направлением и дорожной картой машинного обучения; обеспечить переход от идей к стабильному производству и масштабированию; продемонстрировать измеримое влияние на прибыль и убытки.

Области ответственности: 

• Приоритеты инициатив ML, архитектурные принципы, метрики/стандарты проверки; 
• Операционная схема: стандарты наборов данных/функций, контроль SRM, политики развертывания/отката; 
• Надежность/наблюдаемость услуг (SLO/SLI, оповещения, анализ затрат), включая пограничные сценарии; 
• Техническое лидерство: найм/наставничество, проверка, исследования и культура знаний; 
• Управление данными: персональные данные, доступ, происхождение, карты моделей/документация;
• Экспериментальная платформа: события, стратификация, инкрементальность;
• Модели ценообразования/промоакции с эластичностью, каннибализацией, ограничениями на полках/запасах; персонализация миссии;
• Синхронизация целей МО с бюджетом/планом, прозрачная отчетность о влиянии;

Ожидаемые результаты (примеры OKR): 

• NDCG@K > 2 в.п. в персонализации (A/B, статистическая значимость) 
• Рост обслуживания за счет соответствующего промо-микса в коридорах управления.

Требования:

• 5+ лет в ML/DS, 2+ года в качестве ведущего/технического руководителя;
• Подтвержденный опыт создания и внедрения в производство локальных сервисов ML с репликацией в магазине/регионе; 
• Кейсы в CV/Recsys/TS с доказанным бизнес-эффектом; производство — Python/SQL; Практика MLOps, тестирование, мониторинг; 
• События (потоковые) и пакетные, мониторинг моделей (дрейфы/стабильность/деградации), планирование экспериментов, бизнес-коммуникации.

Будет плюсом: 

• Мультимодальные функции/LLM-сигналы для холодного запуска; resys с учетом запасов; оптимизация продвижения; 
• Контракты функций/происхождение/управление метаданными; оптимизация затрат на вывод (ONNX/TensorRT/квантование);
• Edge Inference в зале/SCO, защита от мошенничества.

Технический стек (локально): 

Роли/модели

1. Резюме: Python, PyTorch, OpenCV, Albumementations, YOLOv8–v10 или Detectron2, TrOCR или Tesseract.
2. Recsys: NVIDIA Merlin/Transformers4Rec, неявное (ALS), LightFM, переупорядочение/прогноз TS: LightGBM, CatBoost, XGBoost, N-BEATS, N-HiTS, TFT.
3. Векторы: FAISS, pgvector, Milvus | Кдрант. Pandas/Polars для локальной обработки.

Платформа NLP/LLM 

1. Ядро NLP: Hugging Face Transformers, Datasets, Tokenizers, SentencePiece, spaCy|Stanza (uk), Sacremoses.  
2. Обслуживание LLM: vLLM|Hugging Face TGI; TensorRT-LLM|llama.cpp/gguf (по профилю ресурса).  
3. RAG: OpenSearch (BM25) плюс повторное ранжирование, фрагментирование и поглощение, гибридный поиск с FAISS|pgvector или Milvus|Qdrant.  
4. Оценка: ROUGE, BLEU, METEOR, BERTScore, MTEB, Recall@K, MRR, NDКГ. Безопасность/личные данные: Microsoft Presidio. 

MLOps/Обслуживание/эксперименты

1. MLflow (Отслеживание/Реестр/Обслуживание)
2. Обслуживание: NVIDIA Triton | КСерве | Селдон Ядро | Ray Serve
3. Магазин функций: Feast (самостоятельный хостинг)

Платформа обработки данных и обработки

1. Потоковая передача: Kafka | Redpanda
2. Вычислить: Spark| Flink
3. Оркестровка: Airflow | Dagster
4. Преобразования: dbt Core
5. SQL/Витрины: PostgreSQL, ClickHouse

Хранение данных и архитектура

1. Lakehouse: Apache Iceberg | Delta Lake
2. Форматы: Parquet, ORC
3. Объектное хранилище: MinIO | CEPH

Наблюдаемость/качество

1. Наблюдаемость сервисов: Prometheus, Grafana, Loki
2. Наблюдаемость ML: Очевидно, журналы причин
3. Lineage/каталог: OpenLineage, OpenMetadata или DataHub

Инфраструктура и безопасность

1. Контейнеризация/кластер: Докер, Кубернетес | OpenShift
2. Безопасность: политика как код, управление секретами хранилища | Seled Secrets

Контактное лицо: Екатерина, тел.0984567857 (t.me/KaterynaB_HR)