ML-аналитик

В Яндексе много финансовых систем: свои системы учёта, документооборота, платежей, работы с банками. В этих системах реализовано много бизнес-процессов и функций, которые обрабатывают разного рода транзакции, документы, события закупок и выплат. Новые требования мы реализуем в виде микросервисных приложений и интегрируем их с нашими сервисами LLM и OCR.

Мы хотим выстроить правильный технологичный и бизнес-процесс работы с этими сервисами и поэтому ищем в команду специалиста, который нам в этом поможет.

Особенности направления

• Новое направление для нас: есть возможность делать правильные решения без легаси.
• Разнородные бизнес-процессы и данные (финансовые, учётные, ЭДО).
• Большой спектр задач: анализ данных, построение метрик и работа с качеством, инфраструктура.
• Доступ к инфраструктуре Яндекса.

Один из первых проектов — это процессинг документов. Яндекс ежедневно взаимодействует со множеством контрагентов и обрабатывает большой объём различной документации, поступающей по разнообразным каналам (сканы, письма, ЭДО). Чтобы оптимизировать эти процессы, мы реализуем новый проект. Его основная задача — организовать автоматическую систему обработки входящих документов.

Какие задачи вас ждут

Работа над проектом
Вам предстоит совместно с командой разобраться, какие задачи по анализу данных, обучению ML-моделей и экспериментам нужны проекту.

Построение процессов
Вы будете выстраивать процессы работы с данными и ML-моделями на проекте по процессингу документов. Нам нужно создать конвейер, в котором мы сможем обрабатывать разные типы документов и данных из них, а также запускать обработку новых.

Проектирование метрик
Вам нужно будет совместно с бизнес-аналитиками проектировать метрики качества и разбираться, как они влияют на процессы.

Мы ждем, что вы

• Имеете промышленный опыт работы в командах анализа данных и ML-исследований
• Обладаете широким спектром технических скилов и ещё более широкой насмотренностью в бизнес-задачах
• Хорошо знакомы со всеми базовыми подходами в ML (классификацией, кластеризацией, бустингом) и умеете их применять
• Знаете LLM и разбираетесь в паттернах их применения
• Владеете SQL, Python и работаете с популярными библиотеками (Pandas, Scikit-Learn), но можете из локального research сделать продакшн-процесс
• Умеете связанно и наглядно оформлять свои выводы по данным

Будет плюсом, если вы

• Хорошо знакомы с финансовой предметной областью (учётными данными, документооборотом, платежами)
• Интересуетесь агентами и их разработкой