О команде:
Мы развиваем направление продвинутой аналитики в корпоративном блоке крупного банка. Наша цель — создавать интеллектуальные инструменты и модели для глубокого понимания клиентов, автоматизации процессов и увеличения эффективности бизнеса. Ты станешь ключевым участником кросс-функциональной команды, отвечающим за полный жизненный цикл ML-моделей — от исследования и прототипирования до промышленной эксплуатации и мониторинга. Твои модели будут напрямую влиять на ключевые бизнес-метрики: удержание клиентов, увеличение кросс-продаж и персонализацию сервисов.
Ключевые задачи и обязанности:
- Разработка и валидация ML-моделей: Создание и обучение ML-моделей для прогнозирования оттока корпоративных клиентов (churn prediction), сегментации клиентской базы (clustering), рекомендаций продуктов (next best offer) и склонности к приобретению продуктов (propensity).
- Выбор алгоритмов, оценка качества ML-моделей и тюнинг гиперпараметров
- Вывод моделей в продакшен: Индустриализация решений, создание эффективных пайплайнов обработки данных и инференса, интеграция в CRM кампании
- MLOps и мониторинг: Участие в построении и поддержке процессов MLOps. Реализация мониторинга качества данных и стабильности предсказаний моделей в production-среде.
- Пост-продакшен анализ: Анализ бизнес-эффективности развернутых моделей, итеративное улучшение решений.
- Командная работа: Активное взаимодействие с Data Analyst для глубокого понимания бизнес-контекста и feature engineering, с Data Engineer — по вопросам пайплайнов данных, с AI Engineer — для вывода результатов ML моделей в AI решения, использования возможностей AI в обучении моделей.
Мы ждем от кандидата (требования):
- Высшее образование в IT/математике/data science
- опыт 2–4 года в ML-проектах, желательно в банкинге/финтехе с фокусом на кластеризацию, прогноз оттоков, продуктовые предложения
- Опыт коммерческой разработки на Python (Pandas, NumPy, Scikit-learn, XGBoost, LightGBM, CatBoost) от 2-х лет.
- Глубокое понимание методов машинного обучения, их применимости и ограничений для задач классификации, регрессии, кластеризации.
- Опыт работы с SQL для извлечения и трансформации данных.
- Понимание полного цикла жизни ML-модели и основ MLOps.
- Практический опыт подготовки ML-моделей к продакшену (сериализация, оптимизация, документирование).
- Умение работать с системами контроля версий (Git).
.jpg&w=1920&q=75){kind=small}
