Data Scientist / ML Engineer (ML)

Локация: Алматы, проспект Аль-Фараби, 38; работа на месте работодателя или в гибридном формате

Компания

Банк ЦентрКредит — банк, развивающий решения для риск-моделирования и машинного обучения.

Что делать

• Разрабатывать и поддерживать общие ML-компоненты: пайплайны подготовки данных, расчёт признаков, стандартные метрики и отчёты по моделям.
• Создавать и развивать внутреннюю AutoML-платформу для автоматизации разработки и обучения риск-моделей.
• Строить и развивать Feature Store, контролировать качество данных и корректность расчёта признаков.
• Автоматизировать разработку, обучение, тестирование и мониторинг ML-моделей.
• Внедрять LLM-агентов для построения моделей, анализа результатов и подготовки технической документации.
• Развивать инженерные практики команды через Code Review, тестирование, CI/CD и повышение качества решений.

Требования

• Опыт работы в Data Science или ML-разработке от 2 лет; общий указанный опыт — от 3 до 6 лет.
• Уверенное владение Python, включая ООП, разработку модулей и пакетов, чтение и анализ чужого кода.
• Хорошее знание SQL: сложные JOIN, оконные функции и работа с большими объёмами данных.
• Знание классических алгоритмов машинного обучения: бустинги, логистическая регрессия, Gini, ROC-AUC, кросс-валидация и методы предотвращения переобучения.
• Практический опыт работы с Git: ветки, Merge Request, разрешение конфликтов и участие в Code Review.
• Опыт работы с оркестраторами, включая Airflow или аналоги, написание и отладку DAG.
• Опыт разработки воспроизводимого кода с фиксацией зависимостей, тестированием ключевой логики и логированием.

Хорошо, если есть

• Опыт в банковской сфере, особенно с риск-моделями, скорингом, PD и валидацией моделей.
• Опыт использования AutoML-инструментов: LightAutoML, Optuna или H2O.
• Понимание архитектуры Feature Store и опыт работы с Feast или собственными решениями.
• Опыт работы с MLflow или DVC для трекинга экспериментов и версионирования моделей.
• Практический опыт настройки CI/CD с GitLab CI или GitHub Actions.
• Опыт работы с LLM, включая RAG, агентов, Function Calling и структурированный вывод; понимание разработки в закрытом IT-контуре с ограниченным доступом к внешним ресурсам.

Культура и преимущества

• Полная занятость в офисном или гибридном формате.
• Работа над внутренними платформами и инженерными практиками команды машинного обучения.