Название: Data Scientist
Местоположение: Миссиссога
Обзор должности
Мы ищем инженера-ориентированного Data Scientist для создания, внедрения и поддержки моделей прогнозирования и оптимизации в сфере розничной торговли производственного уровня. В этой роли разработка моделей идет рука об руку с операционной надежностью: успех измеряется точными прогнозами и стабильными, низколатентными, детерминированными конвейерами, работающими непосредственно на Databricks Lakehouse.
Вы будете преодолевать разрыв между прикладным научным анализом данных и инженерией машинного обучения. Работая в тесном партнерстве с отделами Product и Data Engineering, вы будете отвечать за операционный жизненный цикл прогнозов спроса на уровне "товар-магазин" и последующих систем пополнения/оптимизации — от распределенных конвейеров признаков до автоматизированных рабочих процессов Databricks, отслеживания моделей и мониторинга времени выполнения.
Ключевые обязанности
- Прогнозирование и оптимизация в производственной среде: Разработка, калибровка и настройка систем прогнозирования временных рядов и последующей логики оптимизации цепочки поставок/запасов с использованием древовидных ансамблей (LightGBM, CatBoost) и распределенного Python/PySpark.
- MLOps на платформе Databricks: Создание, планирование и поддержка автоматизированных конвейеров обучения и пакетного вывода с использованием Databricks Workflows и Jobs. Использование MLflow для надежного отслеживания экспериментов, логирования артефактов и управления реестром моделей.
- Межфункциональное партнерство:
- С отделом Product: Преобразование бизнес-требований в технические спецификации, определение операционных SLA и предоставление оценок технической осуществимости для новых функций прогнозирования.
- С отделом Data Engineering: Установление строгих контрактов на данные, определение проверок схемы и оптимизация моделей приема/потребления данных из вышестоящих таблиц Delta.
- Качество и стабильность конвейеров: Отношение к ML-конвейерам как к критически важному производственному программному обеспечению. Внедрение проверок валидации данных перед выводом (например, проверки схемы, пороговые значения пропущенных данных, проверки на null) и автоматизированных оповещений для предотвращения попадания некорректных данных в задания скоринга.
- Наблюдаемость моделей и конвейеров: Отслеживание состояния конвейеров, мониторинг производительности во время выполнения и обнаружение дрейфа признаков, дрейфа целевых переменных и деградации прогнозов в высококардинальных каталогах розничной торговли.
- Превосходство в разработке ПО: Написание модульного, поддерживаемого и тестируемого кода. Продвижение передовых практик контроля версий, модульного/интеграционного тестирования с помощью pytest и автоматизированных проверок CI/CD в Git.
- Выполнение на основе спецификаций: Принятие методологии разработки на основе спецификаций (SDD), использование современных рабочих процессов разработки агентов ИИ (например, Cursor, Claude Code) для быстрого перехода от исследований к надежному производственному коду.
Требуемые технические навыки
- Древовидные ансамбли: Практический опыт разработки, настройки и развертывания градиентных бустинговых деревьев решений — в частности LightGBM и CatBoost — на табличных данных временных рядов с высокой кардинальностью.
- Прогнозирование временных рядов в розничной торговле: Глубокое практическое понимание проблем прогнозирования спроса: тренд, сезонность, календарные события, влияние промоакций, дефицит товаров и прерывистые/редкие паттерны спроса.
- Платформа Databricks: Подтвержденный опыт работы в экосистеме Databricks, в частности, создание и управление многозадачными рабочими процессами/заданиями Databricks, навигация по Delta Lake и использование MLflow на протяжении всего жизненного цикла модели.
- Обработка данных и PySpark: Высокая квалификация в Python и PySpark для распределенной обработки данных, инженерии признаков и экономных преобразований огромных наборов розничных данных.
- Основы программной инженерии: Твердое понимание принципов чистого кода, модульного проектирования пакетов, виртуальных сред, автоматизированного тестирования (pytest) и стандартных рабочих процессов Git (запросы на слияние, ветвление, ревью кода).
Предпочтительные квалификации
- Оптимизация и цепочка поставок: Знакомство с механизмами оптимизации запасов (расчет страхового запаса, моделирование точки перезаказа, вариабельность времени выполнения заказа, ограничения на распределение).
- Расширенные функции Databricks: Опыт работы с Delta Live Tables (DLT), Unity Catalog для управления данными и моделями или вычислительным движком Photon.
- Объяснимый ИИ (XAI): Опыт внедрения TreeSHAP или аналогичных методов интерпретируемости в производственных заданиях пакетного скоринга.
- Непрерывная интеграция: Опыт настройки или интеграции с CI/CD конвейерами (например, GitHub Actions) для автоматизации тестирования и развертывания в рабочих пространствах Databricks.
Соответствие корпоративной культуре и ценностям
- Производственное мышление: Вы считаете, что модель готова только тогда, когда она протестирована, автоматизирована, мониторится и надежно работает в производственной среде.
- Ответственность и поиск первопричин: Когда конвейер выходит из строя или показатель деградирует, вы углубляетесь в логи, находите первопричину, пишете тест на регрессию и внедряете надежное исправление.
- Коммуникабельность и сотрудничество: Вы легко находите общий язык с продакт-менеджерами, говоря о компромиссах между бизнес-потребностями, и с инженерами данных, обсуждая системную архитектуру.
Ориентировочный диапазон оплаты труда для этой должности составляет:
120 000–140 000 канадских долларов
Начальная заработная плата успешного кандидата будет определяться на основе допустимых, недискриминационных факторов, таких как навыки, опыт и географическое положение.
