В поиске Data Science специалиста с опытом работы в банковских проектах для построения рисковых моделей (скоринг для кредитования).

Основные направления работы

Risk Modeling:

• Полный цикл разработки ансамблевых моделей: подготовка и предобработка данных, разметка и разделение на обучающие и тестовые выборки.
• Отбор и настройка базовых моделей с акцентом на их разнообразие для повышения качества прогнозов.
• Разработка моделей машинного обучения для прогнозирования ежедневных остатков на расчетных счетах корпоративных клиентов, учитывая анализ временных рядов (неделя, месяц, квартал) и дополнительные факторы (дни недели, праздники, налоговые периоды, бизнес-циклы).
• Обучение персонализированных моделей.
• Применение методов объединения моделей (bagging, boosting, stacking) с оптимизацией весов в ансамбле.
• Оценка производительности моделей с использованием метрик точности, полноты и F1-score для улучшения качества прогнозов.
• Внедрение моделей в промышленную среду, мониторинг и регулярная оптимизация параметров.

Computer Vision:

• Разработка и внедрение системы биометрической верификации личности, включая модули распознавания документов и сопоставления фотографий.
• Анализ требований и проектирование архитектуры системы с учетом высоких стандартов безопасности и точности.
• Реализация алгоритмов обработки изображений для извлечения данных из паспортов и сравнения с селфи-фотографиями.

Acquisition Analytics:

• Анализ данных эквайрингового и РКО-портфеля: сбор и предобработка исторической информации о поведении клиентов.
• Разработка признаков, отражающих транзакционную активность, финансовые показатели и паттерны использования услуг для выявления факторов оттока.
• Построение и обучение ансамблевой модели прогнозирования с учетом специфики продуктов.
• Внедрение системы скоринга клиентов по вероятности оттока на основе финансового поведения и длительности сотрудничества.

Требуемые технологии и инструменты: Python, SQL, Scikit-learn, XGBoost, LightGBM, CatBoost, TensorFlow/Keras, PyTorch, Random Forest, Gradient Boosting, Stacking, Pandas, NumPy, Matplotlib, Seaborn.

Описание задачи:

В рамках проекта планируется разработка трёх моделей машинного обучения для телеком-оператора:

• Модель оттока (churn prediction) — по трём временным горизонта
• Модель Next Best Offer (NBO) — персонализированные рекомендации тарифов и услуг
• Модель чувствительности к изменению тарифа — прогноз реакции абонента на изменение условий, по двум горизонтам

Тип моделей: классический ML, табличные данные, задача бинарной классификации.

Особенности проекта:

• Расчет фичей для моделей настроен непрерывным пайплайном с ежедневной актуализацией
• Объём данных — ~5Гб (формат parquet), ~15 миллионов строк
• Распределённые вычисления на кластере Hadoop/Spark
• Модели предполагается встроить в текущий пайплайн, добавить регистрацию в MLflow, настроить периодическую актуализацию

Требования:

Фокус: разработка моделей, дополнительный фичеинжениринг, тюнинг, тестирование, оформление документации

Стек: pyspark, python, pandas, scikit-learn, CatBoost

Критичные компетенции:

• Работа с табличными данными и классическим ML (CatBoost, sklearn)
• Знание метрик качества, балансировка классов
• Опыт работы с моделями оттока, NBO или похожими задачами
• Фичеинжениринг (корреляции, отбор, агрегации)
• Умение формализовать гипотезы и оценивать их

Будет плюсом (можно не брать в расчет:

• MLflow (настройка и регистрация моделей)
• Интеграция моделей в пайплайн (Hadoop/Spark)
• Оптимизация ресурсов
• SparkML (распределенные вычисления)

В поиске Senior/Lead Data Analyst / Scientist на проект химической компании по оптимизации технологических процессов и диагностики технического оборудования.

Функционал: проектирование, разработка, внедрение, тестирование ПО и информационных систем на основе алгоритмов искусственного интеллекта.

Задачи:

• Проведение системного анализа бизнес процессов.
• Обработка функциональных требований, экспертиза в области определения подходов к автоматизации или цифровизации процессов.
• Разработка проектной документации.
• Интеграционное тестирование новой функциональности.
• Выполнение сложных настроек в информационных системах.
• Обеспечение 3-го уровня поддержки.

Требования:

• Уверенный опыт работы с Python: Pandas, Numpy, scikit-learn, Scipy, Catboost, Pytorch, TensorFlow, XGBoost, LightGBM, statsmodels, tsfresh, tslearn, shaply, seaborn, matplotlib, plotly, MLflow.
• Знание и опыт работы с инструментами: MS Office, Jira, Confluence, Git, Grafana, AirFlow.
• Отличные знания SQL.