RocketHuntУмный поиск работы
Timeleft
8 дней назад
Свяжитесь напрямую по этой вакансии
Грейд
Senior
Опыт работы
4-7 лет
Формат работы
Удаленно
Тип занятости
Полная занятость
Уровень английского
C1 - Продвинутый
По должности
ИИ напишет его по вашему резюме, останется только отправить
это первый сотрудник команды, которому предстоит внедрять машинное обучение в продакшн, а не только в ноутбуки. Вы будете создавать модели, которые лежат в основе продукта и других активных процессов, иногда предоставляемые пользователям в реальном времени, а не просто отображаемые на панели управления с задержкой в неделю. Первый флагманский проект посвящен персонализации на протяжении всего пути пользователя: модель, которая определяет, какое предложение показать каждому пользователю, напрямую интегрированная в продукт и жизненный цикл, а не хранящаяся в таблице склада данных. Далее вы будете применять тот же подход: модель → API → интерфейс продукта для других значимых моментов в пути пользователя. Вы будете работать в тесном сотрудничестве с отделами Product, Engineering и Lifecycle Marketing, чтобы внедрять модели как функционал, а не как отчеты. Это также основополагающая роль для инфраструктуры команды: большая часть сегодняшней работы Data связана с пакетной обработкой (dbt, Lightdash, BigQuery); вы поможете создать наши первые шаблоны обслуживания в реальном времени с низкой задержкой на GCP и будете тесно сотрудничать с инженерным отделом по этому вопросу.
Разрабатывайте, валидируйте и внедряйте ML-модели (прогностические, оптимизации цен/скидок, персонализации, оттока/LTV), которые запускаются в продакшене, а не только в виде прототипов в ноутбуках. Отвечайте за полный жизненный цикл: постановка задачи, инжиниринг признаков, обучение, оценка, развертывание, мониторинг, переобучение. Пишите код продакшн-качества (тестируемый, версионируемый, рецензируемый) — вы будете работать наравне с инженерами, придерживаясь их стандартов.
Разработайте и внедрите модель персонализированных скидок: кто получает какое предложение и почему, предоставляемое в момент принятия решения о paywall. Сотрудничайте с продуктовым отделом по разработке ML-экспериментов (A/B-тестирование, контрольные группы), чтобы доказать причинно-следственное влияние моделей, а не только корреляцию. Создайте систему измерения, чтобы решения о ценах/скидках были обоснованы для финансового отдела и руководства.
Создайте наш первый шаблон обслуживания моделей с низкой задержкой на GCP (например, Vertex AI endpoints, Cloud Run или эквивалент). Определите шаблон конвейера признаков: что предварительно вычисляется в BigQuery/dbt, а что требует свежих данных в реальном времени через Pub/Sub или аналогичные решения. Настройте мониторинг моделей: дрейф, устаревание, качество предсказаний, чтобы живая модель не деградировала незаметно.
Работайте в тесном контакте с отделами Product и Engineering, а не только с Data — ваша работа будет оцениваться по тому, что запускается для реальных пользователей, а не только по ноутбукам. Трансформируйте продуктовые задачи («как нам реактивировать неактивных платящих пользователей») в задачи моделирования, а выход модели — в контракт API, который сможет использовать Engineering. Документируйте передачу задач достаточно четко, чтобы Engineering мог долгосрочно управлять уровнем обслуживания без вашего участия в качестве «узкого места».
Разрабатывайте модели увеличения/причинно-следственного анализа, где «кто реагирует на скидку» важнее, чем «кто отваливается». Проводите и интерпретируйте эксперименты, которые изолируют фактическое приростное влияние модели на доход/удержание. Разработайте программу экспериментирования для улучшения моделей Data Science и машинного обучения с той же строгостью, которую мы применяем в наших текущих программах экспериментирования.
Модель персонализированных скидок, запущенная в продакшене и обрабатывающая реальные решения о paywall для реальных пользователей: полностью реализованная, а не прототип, находящийся на стадии тестирования. Документированный, повторно используемый шаблон обслуживания с низкой задержкой, созданный на GCP (Vertex AI endpoints или Cloud Run) — следующая модель не потребует переделки с нуля. Доказанное приростное увеличение ключевого бизнес-показателя (конверсия paywall, эффективность маржи скидок или реактивация неактивных плательщиков — выберите тот, который хотите сделать флагманским KPI), продемонстрированное с помощью контролируемого эксперимента, а не просто сравнения «до» и «после». Внедренный мониторинг моделей — оповещения о дрейфе и устаревании позволят команде узнать в течение дней, а не месяцев, если живая модель незаметно деградирует. Повторяемый шаблон «модель-в-продакшен», которому могут следовать другие члены команды.
Уверенное владение Python для Data Science и ML (scikit-learn, XGBoost/LightGBM; PyTorch или TensorFlow — плюс, если глубокое обучение актуально для будущих кейсов). Подтвержденный опыт внедрения моделей в продакшен, а не только моделирования в ноутбуке. Способность рассказать как минимум об одной модели, которая обрабатывала реальный трафик. Практический опыт работы с облачной ML-платформой, в идеале GCP (Vertex AI, BigQuery ML, Cloud Run/Functions) или быстрая способность адаптировать эквивалентный опыт AWS/Azure. Уверенное владение SQL; комфортная работа с warehouse на базе dbt/BigQuery. Основы программной инженерии: git, code review, тестирование, CI/CD: вы будете выпускать код, которому Engineering должен доверять. Опыт причинно-следственного анализа / моделирования прироста или прикладного экспериментирования: для ценообразования и скидок нужно «что, если бы мы не сделали», а не просто «кто отваливается».
Опыт работы с потоковыми/событийными конвейерами (Pub/Sub, Dataflow, Kafka): полезен, так как мы уходим от чисто пакетной обработки. Опыт работы с ценообразованием, скидками, персонализацией. Знакомство с feature stores или DIY-эквивалентом (версионированные конвейеры признаков). Multi-armed bandits или обучение с подкреплением для ценообразования/персонализации. Опыт работы в стартапе: комфорт в создании чего-то с нуля, а не присоединении к существующей команде ML-платформы.
Искренне мотивированы ответом «двигает ли это метрику», а не просто «точна ли эта модель». Способность уверенно общаться как с инженерами, так и с бизнесом: говорите на коммерческом языке, а также на языке инженерии. Объясняйте компромиссы моделирования простыми бизнес-терминами для Product/руководства, не упрощая чрезмерно и не используя слишком много жаргона. Комфорт в работе с неопределенностью — эта роль предполагает определение шаблона, а не следование ему.
4–7 лет работы в роли Data Scientist / ML Engineer, с как минимум одной моделью, которую вы лично довели от прототипа до живого продакшена, обслуживающего реальных пользователей или реальный трафик. Количественная подготовка (CS, статистика, инженерия или эквивалентный практический опыт). Опыт работы в B2C, подписных сервисах или на маркетплейсах — большой плюс. Свободное владение английским языком.
Вводный звонок — 30 минут с Talent Acquisition Manager Бизнес-интервью — 30 минут с VP Data Кейс-стади — Асинхронная оценка Панельное интервью — Q&A по кейс-стади Финальное интервью — Интервью с Product Manager
