Data Scientist

Компания "МФК Саммит"

О компании
Мы — аккредитованная IT‑компания «ИТ‑Центр» (Summit Group), ТОП‑15 МФО, >400 сотрудников, кредитный рейтинг «Эксперт РА» ruBB.
Пятое место в рейтинге лучших работодателей России 2025 (МФК «Саммит», бренд — «ДоброЗайм», категория «Финансы, страхование, аудит», 200–1000 сотрудников)

В отделе внедрения ИИ создаем практические AI‑решения для бизнеса:
- Сервис анализа телефонных переговоров (суммаризация, классификация нарушений/тональности, RAG)
- Автоматический анализ видео собеседований (ключевые кадры, транскрипты, когортный анализ)
- Аналитика просроченной задолженности (модели вероятности и срока дефолта, сегментация)
- Автоматизация ручных действий и внедрение ИИ‑агентов

Чем предстоит заниматься
- Формулировать и проверять гипотезы, планировать эксперименты и оценку влияния на бизнес‑метрики
- Собирать/очищать/обогащать данные (ETL), проектировать признаки, документировать датасеты
- Строить и обучать модели ML/DL (классификация/регрессия/ранжирование, anomaly/segmentation)
- NLP/LLM‑задачи: суммаризация, классификация, извлечение сущностей, RAG/эмбеддинги
- Временные ряды и риск‑модели для финтех‑кейсов (PD/LGD/transition/скоринг)
- Проводить offline‑оценку (AUC/PR, F1, NDCG, uplift и др.), устраивать A/B/ABC‑тесты
- Совместно с бэкендом оборачивать модели в сервисы (FastAPI), организовывать инференс, версионирование и мониторинг качества
- Вести ML‑наблюдаемость (дрейф данных/предсказаний, алерты), планировать переобучение
- Поддерживать стандарты reproducibility (MLflow/DVC), экспериментов и документации

Наш стек
- Python 3.10+, pandas, NumPy, scikit‑learn, XGBoost/LightGBM
- PyTorch и/или TensorFlow; HuggingFace Transformers
- SQL (PostgreSQL), аналитические запросы; Polars — как плюс
- Airflow/Prefect, MLflow, DVC; LangChain/LangGraph, LangFuse
- Векторный поиск: pgvector/Postgres, FAISS, Elasticsearch/OpenSearch
- Whisper/STT/TTS, OpenAI API/LLM; OpenCV/ffmpeg для медиа — как плюс
- Docker, Linux, GitLab CI/CD; мониторинг — Prometheus/Grafana/Sentry

Требования

- 3+ лет коммерческого опыта в Data Science, продакшен‑цикл от данных до внедрения
- Сильный Python для анализа данных и продакшена: pandas/NumPy, типовой ML стек
- Практика построения и валидации моделей (CV для текстов/аудио/видео — плюс)
- Уверенный SQL (PostgreSQL), оптимизация запросов, аккуратность в данных
- Опыт продакшен‑интеграций: FastAPI/инференс, Docker, базовый CI/CD
- Навыки оффлайн‑оценки и онлайн‑экспериментов (A/B), интерпретация результатов
- Практический опыт с LLM (OpenAI API/аналоги/локальные модели): промпт‑инжиниринг, RAG, оценка качества, дообучение, finetuning
- Коммуникация и продуктовый фокус: умеете объяснить решения, аргументировать выбор методов и метрик

Будет преимуществом
- Финтех‑контекст, опыт риск‑моделей, требования безопасности и регуляторика (ЦБ РФ)
- Опыт построения пайплайнов в Airflow/Prefect, фичесторы (Feast) и др.
- Эксперимент‑трекинг/наблюдаемость: MLflow/Weights & Biases, LangFuse
- Векторные БД и быстрый поиск (pgvector/FAISS), RAG‑архитектуры
- Whisper/STT/TTS, OpenCV/ffmpeg; работа с шумными данными и длинным контекстом
- Kubernetes/Helm, продвинутая MLOps‑практика — как плюс

Что сделаешь в первые 90 дней
- За 2–4 недели: аудит источников данных, сбор базовых метрик качества; baseline‑модель/пайплайн оценки для одного из продуктов
- За 4–8 недель: улучшение метрик на 5–15% по оффлайн‑оценке; подготовка инференса и мониторинга; пилот в стейджинге
- За 8–12 недель: продакшен‑внедрение улучшений или нового кейса (скоринг/риск или NLP‑модуль), дашборды наблюдаемости, план переобучения

Условия
- Удаленная работа или гибрид; гибкий график, 5/2
- Зарплата всегда вовремя; прозрачная вилка, регулярный пересмотр
- Индивидуальный план развития, менторство, обмен опытом
- Обучение (курсы, корпоративная библиотека), компенсация ИИ‑инструментов (Cursor, Copilot, Windsurf)
- Минимум бюрократии, влияние на решения и техстек

Как откликнуться
Отправьте резюме и ссылки на GitHub/портфолио/ноутбуки.
Коротко ответьте: «Какую модель/подход вы внедрили в прод и как улучшили ключевые метрики? Опишите данные, метрики и контроль эксперимента».

Теги: Python, pandas, NumPy, scikit‑learn, XGBoost, LightGBM, PyTorch, TensorFlow, Transformers, NLP, LLM, RAG, LangChain, LangGraph, LangFuse, SQL, PostgreSQL, Airflow, MLflow, DVC, pgvector, FAISS, Elasticsearch, Whisper, OpenCV, ffmpeg, FastAPI, Docker, CI/CD, Prometheus, Grafana, Sentry, FinTech.

Открыть контакты работодателя

Зарегистрируйтесь или войдите, чтобы открыть контакты работодателя