Тимлид Data Science / ML
TwinbyУдаленно (Только РФ)
SeniorRemoteAdTechКачество текста 3/5
Data SciencePythonPostgreSQLClickHouseDockerCI/CD20д
Чем предстоит заниматься:
• Владеть ML-направлением: доводить модели до боя и мерить эффект бизнес-метриками (конверсия, retention, fraud rate), а не только офлайн-метрикой.
• Ставить процесс экспериментов: гипотеза → офлайн → A/B → раскатка → мониторинг дрейфа.
• Растить команду: менторство, найм, развитие DS/ML-инженеров.
• Приоритизировать ML-работу по бизнес-эффекту и договариваться с продуктом.
Что мы ждём:
• Опыт, где ты вёл или строил рекомендации/ранжирование, антифрод/риски, поиск или модерацию и довёл их до измеримого влияния на бизнес-метрику (A/B, цифры). Сам недавно «в проде».
• Зрелое A/B: дизайн теста, длина и мощность, новелти- и сетевые эффекты, заранее заданный критерий успеха; умеешь отделить офлайн-метрику от бизнес-эффекта.
• Понимание прод-реалий ML: утечки данных (data leakage), дрейф моделей, train/serve skew, бюджет latency на инференс — для тебя норма.
• Опыт ведения ML-команды/направления: растил инженеров, нанимал, ставил процесс экспериментов.
• Говоришь и про модели (AUC/NDCG), и про бизнес (конверсия/retention/fraud rate); умеешь обосновать продукту, почему та или иная модель даст/не даст эффект.
Будет плюсом:
• Релевантный домен: рекомендации/ранжирование, антифрод/риски, модерация/Trust & Safety, RTB/прогноз CTR (e-com, соцсети, банки, ad-tech).
• MLOps / ML-платформа: фича-стор, registry, пайплайны обучения и раскатки, мониторинг моделей.
• Мультимодалка / CV, векторный поиск, two-tower рекомендации.
Технический стек:
• Python, PyTorch, OpenCV, LLM, MLflow, Git, Airflow, Docker, GitLab CI/CD, ClickHouse, Postgres, Yandex DataLens. Инфраструктура — российское облако (Yandex Cloud).
Что предлагаем:
• Владение ML-функцией, по сути, с нуля — высокая автономия и прямое влияние на продукт.
• Задачи, где ML напрямую двигает деньги (матчинг, антифрод, модерация) и где A/B по-настоящему сложное (сетевые эффекты дейтинга).
• Миллионы пользователей, заметный масштаб, быстрый цикл «гипотеза → эффект».
• Владеть ML-направлением: доводить модели до боя и мерить эффект бизнес-метриками (конверсия, retention, fraud rate), а не только офлайн-метрикой.
• Ставить процесс экспериментов: гипотеза → офлайн → A/B → раскатка → мониторинг дрейфа.
• Растить команду: менторство, найм, развитие DS/ML-инженеров.
• Приоритизировать ML-работу по бизнес-эффекту и договариваться с продуктом.
Что мы ждём:
• Опыт, где ты вёл или строил рекомендации/ранжирование, антифрод/риски, поиск или модерацию и довёл их до измеримого влияния на бизнес-метрику (A/B, цифры). Сам недавно «в проде».
• Зрелое A/B: дизайн теста, длина и мощность, новелти- и сетевые эффекты, заранее заданный критерий успеха; умеешь отделить офлайн-метрику от бизнес-эффекта.
• Понимание прод-реалий ML: утечки данных (data leakage), дрейф моделей, train/serve skew, бюджет latency на инференс — для тебя норма.
• Опыт ведения ML-команды/направления: растил инженеров, нанимал, ставил процесс экспериментов.
• Говоришь и про модели (AUC/NDCG), и про бизнес (конверсия/retention/fraud rate); умеешь обосновать продукту, почему та или иная модель даст/не даст эффект.
Будет плюсом:
• Релевантный домен: рекомендации/ранжирование, антифрод/риски, модерация/Trust & Safety, RTB/прогноз CTR (e-com, соцсети, банки, ad-tech).
• MLOps / ML-платформа: фича-стор, registry, пайплайны обучения и раскатки, мониторинг моделей.
• Мультимодалка / CV, векторный поиск, two-tower рекомендации.
Технический стек:
• Python, PyTorch, OpenCV, LLM, MLflow, Git, Airflow, Docker, GitLab CI/CD, ClickHouse, Postgres, Yandex DataLens. Инфраструктура — российское облако (Yandex Cloud).
Что предлагаем:
• Владение ML-функцией, по сути, с нуля — высокая автономия и прямое влияние на продукт.
• Задачи, где ML напрямую двигает деньги (матчинг, антифрод, модерация) и где A/B по-настоящему сложное (сетевые эффекты дейтинга).
• Миллионы пользователей, заметный масштаб, быстрый цикл «гипотеза → эффект».