Data Science & Engineering Senior Data Scientist, Probabilistic Modeling (Architecture, Adjacent) Buenos Aires, Arge

Описание работы

Мы ищем Senior Data Scientist с глубокими знаниями в области вероятностного ИИ и статистического машинного обучения для поддержки платформы электронной коммерции клиента. В этой роли вы будете разрабатывать и проверять вероятностные модели — охватывающие динамическое ценообразование, оценку стоимости доставки, рекомендации и сегментацию — тесно сотрудничая с нашим solution architect, CTO клиента и инженерной командой клиента, чтобы определить, как эти модели вписываются в архитектуру платформы.

Продолжительность проекта: 3 - 6 месяцев.

• Байесовское моделирование и вывод: проектировать и реализовывать байесовские статистические модели — приоры, 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-Хастингса: применять методы Markov Chain Monte Carlo, включая выборку Метрополиса-Хастингса, 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.
• Сотрудничество по архитектуре: работать вместе с нашим solution architect и CTO клиента, согласовывая дизайн модели с архитектурой платформы. Хотя это не роль владельца архитектуры, вы должны уметь рассуждать о точках интеграции, границах сервисов и технических компромиссах, чтобы действовать с достаточной автономией и снижать нагрузку на архитектора.
• Перевод в продакшн: консультировать backend‑инженеров по тому, как статистические модели преобразуются в архитектуру сервисов продакшна — влиять на дизайн API, контракты данных и точки интеграции в существующих микросервисах и event‑driven пайплайнах платформы.
• Управление жизненным циклом модели: определить подход к обучению, валидации, версионированию, мониторингу/обнаружению дрейфа и частоте переобучения моделей после их вывода в продакшн.
• Сотрудничество по дорожной карте: совместно с лидерами доставки и инженерными командами оценивать объём, последовательность и сроки инициатив по вероятностному/статистическому моделированию в дорожной карте продукта.
• 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 в письменной и устной форме (не менее уровня B2) с отличными коммуникативными навыками.
• Опыт уровня Senior, позволяющий уверенно общаться как с техническими, так и с бизнес‑стейкхолдерами, комфортно обсуждать бизнес‑влияние и компромиссы напрямую с CTO.
• Сильный, подтверждённый опыт в проектировании байесовских статистических моделей, марковских цепей, скрытых марковских моделей, методов MCMC (включая выборку Метрополиса-Хастингса), смесовых моделей (желательно Gaussian Mixture Models) и Expectation-Maximization — классическое предиктивное моделирование, а не современное supervised/LLM‑based ML.
• Опыт проектирования статистических/ML‑моделей с учётом их развертывания в продакшн сильно предпочтителен; практическая реализация в продакшн является плюсом, но не обязательна — приоритетом является способность спроектировать подход к моделированию и направлять инженеров.
• Владение Python (или R) со стандартными вероятностными/статистическими библиотеками (например, PyMC, Stan, scikit-learn, NumPy/SciPy) для разработки и валидации моделей.
• Способность рассуждать о том, как статистические/математические модели преобразуются в сервис‑ориентированную продакшн‑архитектуру — понимание API, контрактов данных и умение работать напрямую с backend‑инженерами и архитекторами для интеграции моделей.
• 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, позволяющие объяснять поведение модели, её предположения и степень неопределённости нетехническим стейкхолдерам.

• Опыт в e-commerce или розничных доменах, особенно в оптимизации ценообразования, сегментации клиентов или прогнозировании спроса.
• Знакомство с тем, как ML‑модели интегрируются в микросервисные архитектуры (REST/GraphQL) и event‑driven системы (например, очереди сообщений/pub-sub); практический опыт развертывания является плюсом, но не обязателен.
• Знание распространённых экосистем backend‑сервисов (например, .NET, Java или Node.js), даже если моделирование выполняется в Python — для более гладкой передачи команде продакшн‑инженеров.
• Знакомство с концепциями MLOps, такими как реестры моделей, мониторинг или хранилища признаков — полезно для обсуждения передачи, но не является ключевым требованием.
• Опыт в области pricing science, систем рекомендаций или маркетинговой аналитики.
• Опыт прямого общения с бизнес‑ или исполнительными стейкхолдерами (например, разговоры уровня CEO/CTO) по рекомендациям моделей.

• Мы принимаем заявки из стран LATAM