Machine Learning Engineer (Data Science)

TL;DR

Machine Learning Engineer (Data Science): Запуск нового напрямку прогнозування для AI-платформи з акцентом на LTV, фінансове прогнозування та детекцію фроду. Фокус на побудові предиктивних моделей, роботі з часовими рядами та впровадженні рішень у продакшн.

Локація: Гібридний формат, офіс у Києві (метро Тараса Шевченка), хаби у Львові та Варшаві.

Компанія

Технологічна компанія, що створює нішеві продукти у сфері Social Discovery & Relationship Wellness, зокрема застосунок Kismia з понад 80 мільйонами користувачів.

Що робити

• Розробляти моделі прогнозування доходу та LTV.
• Оптимізувати маркетинг-бюджет через предиктивні моделі для таргетингу.
• Створювати поведінкові моделі для раннього виявлення фроду.
• Розвивати напрямок фінансового прогнозування з нуля до стабільної компетенції.
• Забезпечувати виведення моделей у продакшн.

Требования

• Досвід від 2 років у прогнозному моделюванні, ML або Data Science.
• Впевнене володіння Python та SQL.
• Досвід роботи з часовими рядами (ARIMA, ETS, Prophet) та табличними бустингами (XGBoost, LightGBM, CatBoost).
• Розуміння метрик оцінки прогнозів (MAPE, WAPE, RMSE) та методів валідації.
• Досвід проведення feature engineering на поведінкових та платіжних даних.

Хорошо, если есть

• Досвід роботи з LLM, MLOps, K8s або Helm.
• Знання Vertica, Elasticsearch або векторних баз даних.
• Досвід у домені subscription, fintech-аналітики або презентації результатів нетехнічним стейкхолдерам.

Культура та переваги

• Гнучкий графік роботи з можливістю вибору годин у межах прайм-тайму.
• Офіс з повною інфраструктурою (харчування, зони відпочинку, душ).
• Медичне страхування, компенсація спорту та психолога.
• 20 днів відпустки, безлімітні лікарняні та зимові канікули.
• Підтримка професійного розвитку через внутрішні тренінги та компенсацію курсів.
• Розширений пакет бенефітів для ветеранів.

Процес найму

• Application → Recruitment Interview → Test Task → Tech Interview → Final Interview with C-Level → Reference Check → Job Offer