Senior ML Engineer — Операционное совершенство

Операционное совершенство – IT-компания, которая занимается разработкой, внедрением и сопровождением IT-продуктов для горнодобывающей отрасли, а также оказывает услуги по диспетчеризации производства на основе собственных IT-продуктов.

Продукт: ИИ-система автоматизации оперативного управления. Принимает решения, которые раньше принимал диспетчер — в реальном времени, по потоку телеметрии от сотен подвижных объектов. Система определяет, какой объект куда направить, чтобы сократить простои и очереди на пунктах обслуживания. Каждое решение опирается на прогнозы: когда объект приедет, сколько займёт обслуживание, какой будет очередь. От их точности и калибровки зависит, помогает решение или мешает.

• Прогноз времени прибытия объекта к пункту по дорожной сети: с учётом загрузки, профиля и покрытия дороги, погоды, смены, водителя и загруженности участков. Результат — распределение, а не одно число: ядро решений учитывает неопределённость.

• Прогнозы длительности обслуживания, цикла и очереди на пункте.

• Измерение эффекта автономных решений: сколько времени и объёма дало решение по сравнению с тем, что было бы без него. Методика на исторических данных и дизайн экспериментов на площадке.

• Данные из телеметрии: пропуски, дубли, сдвиг часов, выбросы, новые объекты и водители. Признаки, которые считаются одинаково при обучении и на потоке.

• Вывод моделей в поток: инференс в процессоре в бюджете задержки, версии моделей, откат.

• Мониторинг качества и дрейфа в продакшене; регресс на эталонном наборе, который блокирует выкат модели хуже текущей.

• Высшее техническое образование обязательно.

• ML в продакшене от 4 лет: модели, которые работали в реальном процессе.

• Табличные и пространственно-временные данные: градиентный бустинг LightGBM, CatBoost или XGBoost; признаки по времени и графу; категории и значения, которых не было в обучении.

• Вероятностные прогнозы: квантили, калибровка, pinball loss, покрытие интервалов.

• Честная оценка: разбиение по времени, поиск утечек, отложенный период, сравнение с базовой линией, метрики по срезам.

• Причинный вывод на практике: смещение отбора, взвешивание и модели исхода, A/B и switchback-эксперименты, когда объекты влияют друг на друга.

• Python: pandas или polars, numpy, scikit-learn; код, который читают другие: типизация, тесты. SQL: оконные функции и агрегаты.

• Вывод моделей: воспроизводимое обучение, версия модели и данных, сериализация, задержка инференса.

• Ежедневная работа с ИИ-агентами для кода: данные, признаки, эксперименты, тесты. Вы можете показать, что поручили агенту, как проверили результат и какую ошибку агента поймали.

• Можешь выполнить тестовое задание и пройти техническое интервью.

• Возможность работать из любой точки мира.
• ИТ аккредитация.
• Программа корпоративных привилегий BestBenifit.
• ДМС со стоматологией.
• Доступ к обучению английскому языку.
• Возможность проходить курсы и тренинги по развитию в сфере вашей специальности.
• Участие в интересных и сложных проектах в области искусственного интеллекта.

В сопроводительном напиши пару слов: какие модели выводили в поток, какое образование, какие ИИ используешь в работе