Обязанности
— Полный цикл ML-проектов: ведение ML-проектов от формулирования гипотез и постановки задач до достижения измеримого бизнес-эффекта. Вы отвечаете за весь цикл, обеспечивая быстрый выход на рынок и поддержание качества моделей в продакшене.
— Межфункциональное взаимодействие: тесная работа с Data Engineers над надёжными продакшен-пайплайнами данных и с Data Analysts — погружение в бизнес-контекст, определение метрик, проектирование и оценка A/B-тестов.
— Решение предметных задач: перевод сложных задач travel/B2B-бизнеса в математические и ML-задачи. Ключевые направления:
•оптимизация Look-to-Book: разработка и внедрение скоринговых моделей для точного предсказания вероятности конверсии поискового запроса в бронирование (look-to-book), моделирование того, как эта вероятность динамически меняется при изменении цены и доступности, и оптимизация всего воронки от поиска до бронирования;
•многокритериальная оптимизация: одновременная оптимизация маржи/прибыльности и минимизация операционных инцидентов; сложные рекомендации по компромиссам с учётом предпочтений B2B-клиентов;
•прогнозирование свежести кэша: предсказание вероятности устаревания тарифов/предложений до бронирования, что помогает найти баланс между точностью данных, скоростью и нагрузкой на систему.
— Разработка моделей: разработка, обучение и валидация моделей машинного обучения для проверки продуктовых гипотез и проактивного улучшения пользовательского опыта в B2B.
Обязательно
— Опыт: не менее 4+ лет практического опыта в роли Data Scientist или ML Engineer.
— Бизнес-мышление: умение разбираться в данных, выявлять корневые бизнес-проблемы и переводить бизнес-цели в чёткие ML-задачи, а не только настраивать метрики в отрыве от контекста.
— ML-стек и алгоритмы: уверенное знание классического машинного обучения (градиентный бустинг, например CatBoost/LightGBM, классификация, регрессия).
— Matching, RecSys и ранжирование: подтверждённый опыт задач entity matching и глубокое понимание рекомендательных систем и подходов к ранжированию (KNN, FAISS, Learning-to-Rank, pointwise / pairwise / listwise подходы).
— Big Data-стек: уверенный опыт работы с большими объёмами данных (мы обрабатываем терабайты ежедневно). Отличные навыки SQL и практический опыт построения пайплайнов на PySpark.
— Инженерная самостоятельность: продакшен-качество кода на Python, умение писать тесты и готовность выводить модели в продакшен (опыт с Airflow и Python-микросервисами).
Будет плюсом
— Отраслевой опыт: опыт в TravelTech, e-commerce или B2B API (понимание отелей, тарифов, дистрибьюторов).
— NLP и эмбеддинги: базовые навыки NLP, понимание принципов текстовых эмбеддингов и их обучения (очень полезно для сопоставления текстовых описаний тарифов, типов номеров и политик отмены).
— Оптимизация и ценообразование: опыт с динамическим ценообразованием, многокритериальной оптимизацией или системами Next Best Action (NBA).
— Математика и статистика: прочная база по теории вероятностей и математической статистике для строгого дизайна экспериментов и оценки моделей.
Условия
— Полностью гибкий график — нет требования начинать ровно в 9:00; важны результат и движение вперёд.
— Каждый в команде может выбрать удобный формат: полностью удалённо, в офисе или гибрид.
— Амбициозная и поддерживающая команда, которая любит своё дело, ценит друг друга и растёт вместе.
— Рост и развитие каждого сотрудника — приоритет: внутренние программы адаптации и обучения, развития soft skills и лидерских качеств, подобранные индивидуально.
— Частичная компенсация участия во внешних обучениях и конференциях.
— Поддержка изучения английского языка: групповые и индивидуальные занятия, разговорные клубы с коллегами со всего мира.
— Корпоративные цены на отели и другие travel-услуги.
— MyTime Day Off: дополнительный выходной для здоровья, восстановления, личных дел или других значимых активностей.
Подробнее о практиках обработки данных — в Политике конфиденциальности: https://www.emergingtravel.com/career/hr-policy/
