Data Scientist / ML Engineer
Summary
Data Scientist / ML Engineer at Bank CenterCredit in Almaty: builds shared ML infrastructure for the risk-model team — data pipelines, a Feature Store and an internal AutoML platform — plus automating model training/testing/monitoring and integrating LLM agents into workflows. Core stack: Python, SQL, Airflow, Git, MLflow and CI/CD.
Обязанности:
-
Разработка и поддержка общих ML-компонентов для команды: пайплайнов подготовки данных, расчёта признаков (Feature Engineering), стандартных метрик и отчётов по моделям.
-
Создание и развитие внутренней AutoML-платформы для автоматизации разработки и обучения риск-моделей.
-
Построение и развитие Feature Store, обеспечение контроля качества данных и корректности расчёта признаков.
-
Автоматизация процессов разработки, обучения, тестирования и мониторинга ML-моделей.
-
Внедрение LLM-агентов в рабочие процессы команды для помощи в построении моделей, анализа результатов и подготовки технической документации.
-
Участие в развитии инженерных практик команды: проведение Code Review, внедрение тестирования, CI/CD и повышение качества разрабатываемых решений.
Требования:
-
Опыт работы в Data Science или ML-разработке от 2 лет.
-
Уверенное владение Python: знание ООП, разработка модулей и пакетов, умение читать и анализировать чужой код.
-
Хорошее знание SQL: сложные JOIN, оконные функции, работа с большими объёмами данных.
-
Понимание классических алгоритмов машинного обучения: бустинги, логистическая регрессия, метрики качества моделей (Gini, ROC-AUC), методы кросс-валидации и предотвращения переобучения.
-
Практический опыт работы с Git: ветки, Merge Request, разрешение конфликтов и участие в Code Review.
-
Опыт работы с оркестраторами (Airflow или аналоги), написания и отладки DAG, а также разработки воспроизводимого кода с фиксацией зависимостей, тестированием ключевой логики и логированием.
Будет преимуществом:
-
Опыт работы в банковской сфере, в частности с риск-моделями, скорингом, PD и валидацией моделей.
-
Опыт использования AutoML-инструментов (LightAutoML, Optuna, H2O) или автоматизации процессов обучения моделей.
-
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 (GitLab CI, GitHub Actions).
-
Опыт работы с LLM: RAG, агенты, Function Calling и структурированный вывод; понимание особенностей разработки в закрытом IT-контуре с ограниченным доступом к внешним ресурсам.