LIAN — системный интегратор с фокусом в аналитике и управлении данными.
Мы работаем в трех направлениях:
1. Автоматизация управленческой отчетности (BI) в малом и среднем бизнесе. Строим хранилища данных, настраиваем сбор и интеграцию, разрабатываем отчеты и дэшборды. Наш стек в BI включает все современные инструменты, в том числе open-source ПО.
2. Заказная разработка аналитических систем. Когда у нашего клиента есть специфичный запрос, мы разрабатываем аналитические системы с нуля. Часто применяем подходы BigData, Data Science, актуальные подходы к программному анализу данных и прогнозированию.
3. Запуск и ресурсное обеспечение команд разработки в комплексных проектах цифровой трансформации. Мы усиливаем команды наших партнеров и клиентов собственными сотрудниками и обеспечиваем максимально быстрый старт новых проектов. Среди наших заказчиков - крупные системные интеграторы, банки, нефтегазовые, химические производства, логистические компании, стартапы.
Обязанности:Исследование и применение математических, статистических и ML-методов для решения бизнес-задач подбора и рекомендаций товаров.
Анализ бизнес-требований и выбор оптимальных алгоритмов и подходов под специфику данных и продукта.
Разработка и обучение ML-моделей, построение воспроизводимых пайплайнов обучения и инференса.
Подбор гиперпараметров, кросс-валидация и оценка качества моделей, формирование ансамблей и выбор оптимальных решений.
Обеспечение полного end-to-end цикла внедрения ML-решений от исследовательского прототипа до production-системы.
Оптимизация производительности и масштабируемости моделей и пайплайнов для работы с большими объёмами данных.
Настройка и поддержка мониторинга технических и качественных метрик моделей в production.
Требования:Практический опыт в машинном обучении и анализе данных.
Навык подбора и применения алгоритмов машинного обучения под конкретные бизнес-задачи и типы данных.
Опыт разработки ML-моделей на Python и построения пайплайнов обучения и инференса.
Знание методов подбора гиперпараметров, валидации и оценки качества моделей.
Опыт внедрения и поддержки ML-решений в production-среде.
Понимание принципов оптимизации производительности и масштабируемости ML-систем.
Навык мониторинга и анализа технических метрик моделей (стабильность, деградация, латентность и др.).
Условия:
