Чем предстоит заниматься:

— Разрабатывать и улучшать скоринговые и рисковые ML-модели (classic ML/GBDT/GLM).

— Вести полный DS-цикл: выгрузка данных из DWH → подготовка/EDA → обучение и валидация → релиз модели → контроль качества в проде → переобучение/обновление.

— Строить и поддерживать пайплайны обучения, мониторинга и версионирования моделей.

— Настраивать оценку качества: метрики, кросс-валидация, стабильность, дрейф данных/признаков.

— Готовить понятные артефакты: документация, презентация результатов для бизнеса, рекомендации по внедрению.

— Участвовать в развитии практик моделирования: шаблоны, репозитории, best practices, code review.

‍

Что мы ждем от кандидата:

— Уверенный Python (структурирование кода, читаемость, воспроизводимость);

— Практический опыт построения ML-моделей (classic ML) и их валидации;

— Хорошее понимание математики/статистики на прикладном уровне;

— Уверенный SQL: выборки/агрегации/quality checks, базовые стат. метрики по данным;

— Опыт доведения модели до продакшена (упаковка, версии, контроль качества/стабильности).

‍

Технологический стек:

— Python: pandas, numpy, scipy, scikit-learn

— ML/GBDT/GLM: CatBoost / LightGBM / XGBoost / GLM

— Модельный процесс: Git, Docker (желательно)

— Оркестрация/прод: Airflow (или аналоги), FastAPI (или аналог для инференса) — желательно

— DWH/БД: PostgreSQL, понимание витрин/витринной логики

— Интерпретация: SHAP, permutation importance, PDP/ICE

‍

Будет плюсом:

— Опыт в страховании/финансах/скоринге/риск-моделировании;

— Практика мониторинга моделей (дрейф, алерты, стабильность признаков);

— Опыт feature engineering из логов/поведенческих данных, работа с категориальными признаками на больших объёмах;

— Опыт работы с LLM инструментами, построение AI Агентов