ML Engineer / Data Scientist (Прогнозирование / Deep Learning)

Точно предсказывать будущие продажи для десятков тысяч товаров в тысячах магазинов. Мы строим модели, которые помогают оптимизировать запасы, планировать закупки и управлять промоакциями, чтобы бизнес принимал решения на основе данных, а не интуиции.

Пример задач для позиции (Deep Learning / Time Series)

• Разработка, обучение и оптимизация моделей глубокого обучения с использованием PyTorch и/или TensorFlow для задач прогнозирования спроса и временных рядов.
• Настройка и сопровождение ML-экспериментов, логирование метрик, параметров и артефактов моделей с использованием MLflow или аналогичных инструментов.
• Применение и разработка методов интерпретируемости моделей, включая анализ важности признаков (feature importance) и explainability моделей.
• Разработка нейронных архитектур для прогнозирования временных рядов (LSTM, GRU, Transformer, TFT и др.).
• Использование и адаптация foundation-моделей временных рядов, включая Amazon Chronos, под бизнес-задачи.
• Выполнение fine-tuning и transfer learning pre-trained моделей для прогнозирования спроса и связанных задач.
• Проведение исследований современных научных публикаций и внедрение state-of-the-art решений в production-процессы.
• Решение задач cold start для новых товаров, магазинов и других сущностей с использованием DL и гибридных подходов.
• Разработка и улучшение пайплайнов подготовки данных для временных рядов (feature engineering, генерация лагов, работа с внешними факторами, обработка пропусков и аномалий).
• Проведение оценки качества моделей, выбор и анализ метрик прогнозирования.
• Оптимизация моделей с точки зрения производительности и масштабируемости.
• Участие в внедрении моделей в production, мониторинг деградации качества и переобучение моделей.
• Взаимодействие с бизнес-командами и аналитиками для формализации задач прогнозирования и оценки бизнес-эффекта моделей.

Требования (Deep Learning)

• Практический опыт разработки моделей глубокого обучения с использованием PyTorch и/или TensorFlow.
• Опыт работы с инструментами отслеживания экспериментов и управления жизненным циклом моделей (MLflow или аналогичные решения).
• Умение анализировать и интерпретировать модели, включая применение методов оценки важности признаков (feature importance) и explainability (SHAP, permutation importance, attention-based методы и др.).
• Базовое понимание архитектур нейронных сетей для прогнозирования временных рядов (RNN, LSTM, GRU, Transformer-подходы, TFT и др.).
• Понимание принципов подготовки данных для временных рядов (feature engineering, лаги, экзогенные признаки, обработка пропусков, нормализация).
• Опыт оценки качества моделей временных рядов и выбора метрик (MAE, RMSE, MAPE, WAPE и др.).
• Знакомство с библиотеками и фреймворками для временных рядов, включая Apache Chronos или аналогичные решения.
• Понимание принципов production-развертывания DL-моделей и мониторинга их качества будет плюсом.