Data Scientist / ML Engineer (Middle)

Мы создаём ML-решения для добывающей промышленности.
Наша команда разрабатывает модели, которые помогают прогнозировать поломки техники, анализировать производительность и автоматизировать принятие решений на основе данных.
Мы работаем с телеметрией и производственными метриками в реальном времени и внедряем модели в продакшн — без «песочниц» и теоретических экспериментов.

Что предстоит делать

Ты будешь заниматься end-to-end разработкой моделей — от данных до внедрения. Конкретные направления работы:

– Обработка и анализ телеметрии и производственных метрик.
– Разработка моделей прогнозирования (временные ряды, регрессия, классификация).
– Построение пайплайнов обучения и переобучения (ML pipelines, retraining).
– Мониторинг качества моделей и автоматизация обновлений.
– Разработка прототипов новых решений (например, модели для анализа ответов диспетчеров или оценки производительности операторов).
– Подготовка аналитических отчётов и визуализаций, понятных бизнесу.

Примеры задач ближайшего бэклога

– Прогнозирование поломок основных частей карьерной техники по телеметрии.
– Определение неэффективных режимов работы оборудования (binary classification).
– Прогнозирование производительности смены и участка на горизонте 1–2 недели.
– Создание пайплайна автоматического переобучения моделей с мониторингом дрейфа данных.
– Разработка прототипа LLM для оценки качества ответов операторов.

Что мы ищем

Минимум для старта:
– Опыт работы с задачами машинного обучения от 1 года.
– Уверенное владение Python и библиотеками: pandas, numpy, scikit-learn.
– Опыт с одной из DL-библиотек: PyTorch или TensorFlow.
– Понимание принципов продакшн-внедрения моделей (Docker, REST API, Airflow и аналоги).
– Навык самостоятельной проработки задач и демонстрации прогресса.

Технологический стек

Python, Pandas, NumPy, Scikit-learn, XGBoost, LightGBM, CatBoost, PyTorch / TensorFlow, MLflow, Airflow, Docker, Git, Linux, Jupyter.

Что предлагаем

– Работа с реальными промышленными данными и задачами, где ML напрямую влияет на бизнес.
– Возможность видеть результат своей работы в действии, а не в отчётах.
– Команду, где ценится инженерное мышление и инициативность.
– Возможность расти в сторону ML Engineering или Applied Research — по интересу и задачам.
– Современный стек, автономность в выборе подходов и влияние на архитектуру решений.