**Вакансия: **Senior ML Engineer / Data Scientist (Python) Грейд: Senior **Компания: **JETLYN Формат: удаленно Локация: Россия **Гражданство: **#РФ Вилка ЗП: от 300 000 до 420 000 рублей на руки в месяц **Условия оформления, формат: **ТК/ИП

🎯 О роли Ищем специалиста, который сочетает глубокую экспертизу в машинном обучении с сильными инженерными навыками. Вы будете проектировать ML-архитектуру, строить модели production-уровня и обеспечивать их жизненный цикл в высоконагруженной среде.

✔️Задачи Разработка и поддержка ML-сервисов на Python (код, тесты, code review) Проектирование архитектуры систем с использованием машинного обучения Подготовка данных: сбор, очистка, валидация, feature engineering Дизайн и анализ A/B-тестов, расчёт статистической значимости Обучение, валидация и деплой моделей (Hadoop / Kubernetes / Airflow) Написание и оптимизация SQL/Spark-запросов для работы с большими данными Согласование бизнес-метрик с метриками модели, подбор прокси-метрик и функций потерь Формирование требований к данным для новых ML-продуктов Анализ предметной области для улучшения качества моделей Контроль качества релизов продуктов больших данных

---

‼️ Требования Алгоритмы и структуры данных Оценка сложности алгоритмов (Big O) Стандартные структуры данных и алгоритмы (в т.ч. из стандартной библиотеки) Расширенный набор: вероятностные алгоритмы, алгоритмы на графах, внешняя память Статистика и математика Предельные теоремы и их применение Проверка гипотез, бутстреп, A/B-тесты (условия сходимости) Variance reduction, causal inference Байесовская оптимизация, графические модели, гауссовские процессы Machine Learning Понимание ML-алгоритмов, включая SOTA-методы в своей области Умение адаптировать методы под задачи, строить модели из стандартных компонентов Полный цикл ML-разработки: от идеи до продакшена Мониторинг бизнес-метрик модели, связь с функцией потерь Опыт с менее распространёнными методами: байесовские модели, PGM, VBI, RL MLOps и инфраструктура Версионирование моделей и данных Мониторинг качества моделей и данных Развёртывание ПО в кластере (K8s, Hadoop) Построение инфраструктуры прогнозирования SQL и базы данных Сложные запросы: окна, группировки, CTE Оптимизация запросов, индексы, транзакции, ACID Промышленный опыт с несколькими СУБД/хранилищами Инженерная культура Чистый, поддерживаемый код (Python) Git, unit/integration-тесты, code review Дебаггинг чужого кода, рефакторинг, работа с техдолгом Проектирование архитектуры компонентов с учётом масштабируемости Аналитические навыки Исследование неочевидных задач, предложение вариантов решений Понимание ограничений инструментов, обоснование выбора новых