ML-инженер (скоринги, бандиты, next best action) (удаленная работа)

Вакансия: ML-инженер (скоринги, бандиты, next best action)

Описание вакансии

Привет. Я Виктор, основатель IntellectDialog (7 лет, 500+ клиентов, резидент Сколково). Собираю senior-команду под грантовый НИОКР: система для стоматологических клиник, которая сама решает, кому, когда и в каком канале написать пациенту, сама записывает в МИС и объясняет каждое своё решение. Внутри байесовские профили, скоринги, решающие правила с доказанными теоремами и генерация, где каждая цифра обязана иметь источник.

Важно: только senior с продовым опытом ровно в том, что написано ниже. Смежный опыт не считается, доучивать некогда сроки грантовые. В сопроводительном обязательно: научные публикации/доклады, если есть (для гранта это влияет на выбор), сколько часов в день готовы уделять, и подтверждение, что ставка 1500 /час вам подходит. Отклик без этих пунктов и без обязательных пунктов из конца вакансии не рассматриваю .

ML-инженер: скоринги, бандиты, next best action

Это главная роль в проекте. Вы будете строить ядро: модель риска неявки пациента, выбор канала и времени касания, решающий слой писать / отложить / молчать .

Что конкретно: скоринг неявки на данных МИС: фичи из профиля, CatBoost/LightGBM, обязательно калибровка вероятностей решающая формула ест именно вероятность, а не score; канальные Beta-модели и каскад, Thompson sampling для аккуратного исследования (MABWiser или VW обсудим); оценка политик на исторических логах до полевого запуска (IPS/DR), потом нормальные A/B на пилотах; SHAP-объяснения каждого прогноза у нас всё журналируется, система обязана объяснять свои решения; дальше по ходу онлайн-дообучение на потоке и uplift-разведка.

Кого я ищу: человека из CVM телекома, NBA-команды банка, персонализации пушей маркетплейса или CDP-вендора. Того, кто строил модели, по которым реально принимались решения, и видел, как политика с красивым AUC проигрывает случайной выборке и понимает почему.

Кому не писать: если вы делали аналитику, отчёты и ad-hoc модели без петли решений это не тот опыт. Если off-policy evaluation для вас новое словосочетание тоже мимо. Kaggle и пет-проекты не считаются вообще.

Стек: ваш контур Python + PostgreSQL. Ядро платформы у нас Node.js/React/Postgres, от вас нужны чистые API моделей, интеграцию сделает бэкенд.

Условия: удалёнка, от 4 часов в день, 1500 /час по факту, самозанятость/ИП/ГПХ, 12 18 месяцев. Для ключевых участников по итогам успешной реализации опцион на долю в компании (условия индивидуально, после первых месяцев работы). Это НИОКР с публикациями и РИД 50+ клиник-клиентов ждут пилотов, результат уйдёт в прод. Если есть научные публикации, доклады, участие в НИОКР приложите список, для гранта это важно и влияет на выбор.

В отклике обязательно:

1. Один кейс с цифрами: что за задача, метрика до/после, ваша личная роль в этом.
2. Пройдитесь по списку и напротив каждого пункта честно поставьте одно из трёх: работал в проде , знаю поверхностно , не работал . Не приукрашивайте на созвоне я спрошу детали по любому пункту, и не работал звучит сильно лучше, чем поплывший ответ: CatBoost или LightGBM (что именно и в каких задачах); калибровка вероятностей (Platt/isotonic) где применяли и зачем; контекстные бандиты: MABWiser, Vowpal Wabbit или своя реализация; off-policy evaluation (IPS/DR) на чём считали; SHAP в проде (не в ноутбуке для презентации); онлайн-дообучение: River или аналоги; uplift: CausalML / EconML / scikit-uplift; PostgreSQL уровень (пишу запросы / проектирую схемы / оптимизирую).
3. Отдельным абзацем: что из решающего контура вы строили с нуля сами (архитектура, формулы, петля обучения), а что брали готовым и адаптировали. Мне важны оба навыка, но я должен понимать, какой из них ваш основной.
4. GitHub, доклады, статьи что есть.
5. Научные достижения, если есть списком (публикации, конференции, НИОКР). Для гранта это значимо.
6. Доступность: сколько часов в день готовы уделять, с какой даты и подтверждение, что ставка 1500 /час по факту отработанного вам ок.