Staff Machine Learning Engineer

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

Staff ML-инженер в финтех-компанию Kikoff. Отвечает за техническое направление ML: платформа, андеррайтинговые и риск-модели, персонализация, governance и менторство инженеров.

Задачи

• Определять многоквартальную техническую стратегию и roadmap ML в компании (андеррайтинг, фрод и риск, персонализация)
• Проектировать и развивать ML-платформу: feature store, пайплайны обучения и оценки, model registry, real-time и batch serving, мониторинг
• Принимать решения build-vs-buy и задавать стандарты проектирования, тестирования и эксплуатации ML-систем в продакшене
• Лично вести наиболее значимые модели, включая cash advance и кредитный андеррайтинг, от постановки задачи до запуска и итераций
• Выстраивать model governance для кредитора: документация, fair-lending и disparate-impact анализ, объяснимость, стандарты валидации, мониторинг дрифта, готовность к аудиту
• Задавать стандарты экспериментов и измерений ML-изменений, включая дизайн экспериментов, guardrail-метрики и связь офлайн-оценки с бизнес-результатами
• Выступать техническим контрагентом продуктовых и бизнес-лидеров, переводить бизнес-цели в технические решения и доносить компромиссы и риски до руководства
• Повышать инженерную планку через design review, code review и менторство, растить senior-инженеров в технических лидеров
• Участвовать в найме и формировании структуры ML-функции по мере её масштабирования

Требования

• 8+ лет опыта в software или machine learning engineering, из них 5+ лет построения, деплоя и эксплуатации ML-систем в продакшене
• Опыт технического лидера или самого старшего ML-инженера в команде
• Подтверждённый опыт владения ML-системами с измеримым бизнес-эффектом в масштабе
• Опыт в потребительском кредитовании, кредитном андеррайтинге, фроде или платежах (сильное преимущество)
• Экспертный уровень Python, сильные фундаментальные навыки software engineering и системного дизайна
• Глубокий опыт полного ML-жизненного цикла в продакшене: feature engineering, обучение, оценка, serving (batch и real-time), мониторинг, переобучение
• Практический опыт проектирования компонентов ML-платформы: feature stores, model registries, фреймворки оценки, решения build-vs-buy
• Сильное владение gradient-boosted trees и классическим ML для табличных данных; рабочее знание фреймворков глубокого обучения (например, PyTorch)
• Продакшн-опыт с облачной инфраструктурой (AWS или GCP), контейнеризацией (Docker, Kubernetes) и современными MLOps и CI/CD инструментами
• Опыт работы с Ruby/Rails бэкендами (плюс)
• Понимание model governance в регулируемой финансовой среде: fair lending, объяснимость, практики валидации моделей
• Опыт работы с Risk или Compliance по процессам одобрения моделей (плюс)
• Исключительная способность формулировать неоднозначные задачи, проектировать корректные эксперименты и рассуждать о причинности, selection bias и разрыве между офлайн-метриками и реальными результатами
• История влияния на техническое направление за пределами своей команды без формальных полномочий
• Умение ясно объяснять сложные решения по моделям и их бизнес-последствия руководству и менторить инженеров всех уровней
• Степень бакалавра в Computer Science, Engineering, Mathematics, Statistics или смежной области; продвинутая степень предпочтительна

Условия

• Базовая зарплата $307,000—$352,000 USD
• Работа в прибыльной pre-IPO финтех-компании с оценкой в статусе единорога
• Возможность работать с серийными предпринимателями, построившими сильные потребительские бренды
• Ценности: extreme ownership, ясная коммуникация, craftsmanship, долгосрочные рабочие отношения
• Hands-on роль с влиянием на уровне компании, не management track
• Kikoff Inc. — равный работодатель

Навыки

• Python
• Machine Learning
• Feature Engineering
• Feature Store
• Model Registry
• Model Serving
• Batch Serving
• Real-time Serving
• Model Monitoring
• Retraining
• Gradient Boosted Trees
• PyTorch
• Deep Learning
• AWS
• GCP
• Docker
• Kubernetes
• MLOps
• CI/CD
• Ruby
• Rails
• Experiment Design
• Model Governance
• Fair Lending
• Explainability
• Model Validation