Applied AI Manager

В роли Manager, Data Scientist - AI в Applied AI Tribe вы будете руководить командой data scientist'ов, которая создаёт и выводит в продакшн системы ML и генеративного AI, лежащие в основе решений в продукте и бизнесе talabat. Вы одновременно руководитель команды и технический практик: вы достаточно близки к работе, чтобы принимать верные технические решения и развивать свою команду, при этом отвечаете за роадмап и поставку результатов.

Работа вашей команды охватывает весь жизненный цикл AI: от формулирования неоднозначных бизнес-задач до моделирования данных, feature engineering, обучения моделей, деплоя и мониторинга в продакшене. Значительная часть работы — использование LLM, агентных систем и генеративного AI для автоматизации решений, обогащения данных и создания интеллектуальных сервисов в больших масштабах; всё это оценивается по показателю Net AI Value Delivered.

Руководство людьми:

• Руководить командой data scientist'ов, развивать и удерживать её, задавать высокую планку технического качества, формировать культуру ответственности и поддерживать карьерное развитие каждого сотрудника.

• Сотрудничать с рекрутингом, чтобы привлекать лучших специалистов по data science и ML по мере роста tribe.

• Наставлять членов команды по лучшим практикам ML, проектированию агентных систем, production-инженерии и коммуникации со стейкхолдерами.

• Проводить эффективные командные ритуалы — планирование, дизайн-ревью, ретроспективы, — которые помогают команде работать согласованно и в хорошем темпе.

Техническая стратегия и поставка результатов:

• Превращать неоднозначные бизнес-задачи в чётко очерченные решения на основе ML и AI с ясными измеримыми критериями успеха, связанными с north star показателем tribe.

• Отвечать за технический роадмап команды: расставлять приоритеты для высокоэффективных задач в области обогащения данных, автоматизации бизнеса, self-serve инструментов и агентных функций продукта.

• Продвигать подход harness-first: обеспечивать наличие evaluation-пайплайнов, LLM observability, инструментов и инфраструктуры до того, как поверх них будет построена логика агентов.

• Встраивать оценку качества в каждую итерацию продукта: golden datasets, согласованные со стейкхолдерами метрики и еженедельные eval-задачи, которые определяют, что создавать, исправлять или выводить из эксплуатации.

• Курировать весь жизненный цикл ML: пайплайны данных, feature engineering, обучение моделей, деплой в продакшен, serving и мониторинг.

• Способствовать внедрению LLM и генеративного AI для обогащения данных, интеллектуального понимания контента и автоматизированного принятия решений в больших масштабах.

• Проектировать и анализировать эксперименты (A/B и многовариантные), чтобы строго измерять влияние моделей и продукта.

• Повышать стандарты ML и инженерии в команде, улучшая MLOps, качество кода, инструменты и внутренние образовательные программы.

Кросс-функциональное взаимодействие:

• Сотрудничать с продакт-менеджерами и бизнес-командами, чтобы выявлять ценные возможности для AI и включать их в роадмап команды.

• Чётко общаться с руководителями-стейкхолдерами — от формулирования задачи до результатов и рекомендаций.

• Взаимодействовать с инженерными командами, чтобы понимать системы данных, строить надёжные модели данных и обеспечивать плавную интеграцию в продакшен.

• Глубокая экспертиза в машинном обучении, генеративном AI, глубоком обучении, NLP, рекомендательных системах и data mining.

• Практические знания фреймворков для ML и GenAI: Scikit-learn, XGBoost, LightGBM, PyTorch, TensorFlow, Transformers и fine-tuning LLM.

• Уверенное владение OpenAI SDK и знакомство с API основных провайдеров LLM для создания и оркестрации production AI-систем.

• Практический опыт работы с LangGraph для построения stateful многошаговых агентных воркфлоу и сложных паттернов оркестрации агентов.

• Опыт работы с Hugging Face (Transformers, Hub, Inference API) для поиска моделей, fine-tuning и деплоя.

• Хорошее понимание эмбеддингов, dense и sparse retrieval, векторных баз данных и семантического поиска для создания RAG-пайплайнов и приложений на основе поиска по сходству.

• Сильные основы программной инженерии: чистый production-код, структуры данных и алгоритмы, проектирование ML-систем.

• Подтверждённый опыт вывода ML-моделей в продакшен и их мониторинга, хорошее знание практик MLOps.

• Сильные навыки инженерии данных и ML: построение и оркестрация пайплайнов данных (например, Airflow) и надёжный feature engineering.

• Отличное знание SQL и Python; прочные статистические основы, включая дизайн экспериментов, causal inference и предиктивные методы.

• Степень бакалавра в области инженерии, Computer Science или смежной области. Степень магистра или выше будет плюсом.

• 6+ лет опыта в data science, ML-инженерии и/или генеративном AI, включая вывод моделей в продакшен.

• 2+ года опыта управления или руководства командой data science или ML с подтверждённым опытом развития талантов и достижения результатов через других.

• Знакомство с проектированием агентных систем (подход harness-first, LLM observability, evaluation-пайплайны и петли обратной связи из продакшена) — серьёзный плюс.

• Опыт работы с BigQuery и Google Cloud Platform будет плюсом.

• Опыт создания ML-систем в среде онлайн-продукта для потребителей — серьёзный плюс.