Data Science & Engineering Data Scientist (AI, ML) Buenos Aires, Argentina 21/9/2026

Описание работы

Мы ищем Data Scientist с глубокими знаниями в области вероятностного ИИ и статистического машинного обучения для поддержки e‑commerce платформы клиента, построенной на распределённой микросервисной архитектуре. Дорожная карта платформы включает набор интеллектуальных возможностей, требующих строгого статистического моделирования, а не стандартного контролируемого ML. Эта роль отвечает за проектирование, валидацию и вывод в продакшн вероятностных моделей, а также за тесное взаимодействие с бэкенд‑инженерами для трансформации этих моделей в сервисно‑ориентированную продакшн‑архитектуру внутри существующей микросервисной экосистемы платформы.

Продолжительность проекта: 3 - 6 месяцев.

• Байесовское моделирование и вывод: проектировать и реализовывать байесовские статистические модели — априорные распределения, правдоподобия и постериорный вывод — для поддержки принятия решений в условиях неопределённости в областях ценообразования, сегментации и спроса.
• Марковские цепи и скрытые марковские модели: создавать формулировки Марковских цепей и скрытых марковских моделей для последовательных и поведенческих паттернов (например, стадии жизненного цикла клиента, переходы состояний), генерируя выводы, которые могут потреблять downstream‑сервисы.
• MCMC и выборка Метрополиса‑Гастингса: применять методы Markov Chain Monte Carlo, включая выборку Метрополиса‑Гастингса, для оценки постериорных распределений моделей без аналитических решений, а также проверять сходимость и качество выборки.
• Смесовое моделирование: разрабатывать смесовые модели — в частности Gaussian Mixture Models — для поддержки задач сегментации, выявляя скрытые группы клиентов или продуктов на основе транзакционных и поведенческих данных.
• Алгоритм ожидания‑максимизации: реализовывать Expectation-Maximization для оценки скрытых переменных, лежащих в основе смесовых моделей и связанных задач обучения без учителя.
• Трансляция в продакшн: работать с бэкенд‑инженерами над переводом статистических моделей в продакшн‑сервисную архитектуру — определять API, контракты данных и точки интеграции внутри существующих микросервисов и событийных конвейеров платформы.
• Управление жизненным циклом модели: определить подход к обучению, валидации, версионированию, мониторингу/обнаружению дрейфа и периоду переобучения моделей после их вывода в продакшн.
• Сотрудничество по дорожной карте: взаимодействовать с руководителями доставки и инженерными лидерами для оценки объёма, последовательности и оценки инициатив по вероятностному/статистическому моделированию в продуктовой дорожной карте.
• Документация и передача: документировать предположения модели, методологию и результаты валидации, а также предоставлять чёткие рекомендации по передаче, чтобы модели оставались поддерживаемыми инженерной командой после завершения проекта.

• +90% английского языка в письменной и устной форме (не менее уровня B2) с отличными коммуникативными навыками
• Сильный, подтверждённый опыт в области байесовской статистики/байесовского вывода, марковских цепей, скрытых марковских моделей, методов MCMC (включая выборку Метрополиса‑Гастингса), смесовых моделей (желательно Gaussian Mixture Models) и алгоритма Expectation-Maximization.
• Доказанный опыт построения и развёртывания статистических/ML моделей в продакшн‑системах, а не только в исследовательских ноутбуках или офлайн‑анализе.
• Владение Python (или R) со стандартными вероятностными/статистическими библиотеками (например, PyMC, Stan, scikit-learn, NumPy/SciPy) для разработки и валидации моделей.
• Способность переводить статистические/математические модели в сервисно‑ориентированную продакшн‑архитектуру — определять API и контракты данных и работать напрямую с бэкенд‑инженерами над их интеграцией.
• Твёрдое понимание систем контроля версий, практик тестирования и CI/CD, достаточное для эффективного сотрудничества с инженерной командой при доставке в продакшн.
• Сильные письменные и устные коммуникативные навыки, способность объяснять поведение модели, её предположения и степень неопределённости нетехническим заинтересованным сторонам.

Желаемые квалификации

• Опыт работы в e‑commerce или розничных доменах, особенно в оптимизации цен, сегментации клиентов или прогнозировании спроса.
• Опыт интеграции ML моделей с микросервисными архитектурами (REST/GraphQL) и событийными системами (например, очереди сообщений/pub‑sub), а также развертывания в облачной инфраструктуре.
• Знакомство с типичными экосистемами бэкенд‑сервисов (например, .NET, Java или Node.js) — даже если моделирование выполняется в Python — для более гладкой передачи команде продакшн‑инженеров.
• Опыт работы с инструментами MLOps, такими как реестры моделей, мониторинг и хранилища признаков.
• Опыт в области ценовой аналитики, рекомендательных систем или маркетинговой аналитики.

Наши преимущества

• Гибкий график и возможность работать из любой точки
• Программа рекомендаций
• Поддерживающая и непринуждённая атмосфера

Мы принимаем заявки от стран Латинской Америки