Senior Data Scientist (Availability)
Summary
Builds and deploys ML models (classification, embeddings, time-series) to predict booking likelihood and key metrics for a travel platform, ensuring model quality, monitoring, and continuous improvement in production.
Мы ищем Senior Data Scientist в команду Availability (Доступность)
Обязанности
1. Вести ML-проекты end-to-end: постановка задачи → решение → тест → прод → поддержка
2. Совместно с дата инженерами формировать датасеты и требования к данным, оценивать реализуемость, риски и ограничения
3. Совместно с дата аналитиками участвовать в дизайне и анализе A/B-тестов: метрики, сплиты, интерпретация результатов, рекомендации по выкатке решений
4. Разрабатывать и обучать модели (classic ML + DL), в т.ч. решения на эмбеддингах текста и изображений; проводить offline-оценку и анализ ошибок
5. Передавать модель и код в продакшен (Python-сервис), сопровождать релизы и интеграции
6. Отвечать за качество модели после запуска: метрики, мониторинг, дрейф/деградации, план улучшений и регламенты поддержки
Бизнес домен:
- Разрабатывать и внедрять модели, предсказывающие вероятность бронирования для каждого поискового запроса с учетом бизнес логики
- Прогнозировать ключевые метрики (например, спрос, доступность объектов), чтобы проактивно улучшать пользовательский опыт
- Анализировать большие объемы данных для поиска инсайтов, проверки продуктовых гипотез и понимания поведения пользователей
Требования
- От 4х лет на позиции Data Scientist
- Опыт ведения ML-проектов end-to-end в продакшене (от постановки до поддержки)
- Опыт с DL (PyTorch/TensorFlow): понимание принципов fine-tuning, инференс моделей
- Python (production-качество): читаемый код, тесты на критичные компоненты, понимание упаковки модели/артефактов и интеграции в сервис
- Понимание мониторинга ML: метрики качества, дрейф, алерты, диагностика и регламенты поддержки
- SQL на уровне самостоятельной сборки датасетов (joins, window functions)
- Опыт с интерпретируемостью и анализом ошибок модели
- MLflow / W&B / DVC или аналогичные инструменты трекинга экспериментов
- Разговорный английский на уровне В1 (Intermediate)
ML стек
- Классические алгоритмы машинного обучения
- Понимание базовых подходов ранжирования (pointwise, pairwise) и их применения на практике
- Будет плюсом опыт работы с временными рядами
Технический стек
- Python, Pyspark