Senior Machine Learning Engineer in Warsaw

Gotowy, aby kształtować inteligentne podejmowanie decyzji na skalę setek milionów żądań aukcyjnych dziennie? Szukamy starszego inżyniera ds. uczenia maszynowego, który dołączy do dedykowanego zespołu Sigma Software, budującego zaawansowane systemy predykcyjne dla ekosystemu reklamy programatycznej.

W tej roli będziesz pracować nad modelami uczenia maszynowego gotowymi do produkcji, optymalizacją w czasie rzeczywistym oraz skalowalną infrastrukturą wspierającą platformę wymiany reklam na żywo. Pozycja jest w pełni zdalna z elastycznymi możliwościami współpracy w rozproszonych zespołach.

W Sigma Software cenimy własność inżynieryjną, doskonałość techniczną i długoterminowe partnerstwa. Ten projekt oferuje możliwość pracy nad złożonymi wyzwaniami ML z mierzalnym wpływem na biznes, przyczyniając się do nowoczesnej, wysokowydajnej platformy AdTech.

KLIENT
Naszym klientem jest firma technologiczna działająca w obszarze infrastruktury po stronie podaży w ekosystemie reklamy programatycznej. Firma zarządza dużą wymianą reklam przetwarzającą setki milionów żądań aukcyjnych dziennie i inwestuje w wewnętrzną zdolność do podejmowania decyzji predykcyjnych, aby poprawić celowanie, optymalizację i efektywność rynku.

PROJEKT
Będziesz częścią zespołu Sigma Software odpowiedzialnego za projektowanie i budowanie platformy modelowania predykcyjnego i optymalizacji zintegrowanej z wymianą reklam na żywo. Platforma ocenia i filtruje podaż w czasie rzeczywistym, przewiduje prawdopodobieństwo konwersji, identyfikuje konteksty wysokowydajne, buduje podobne grupy odbiorców i optymalizuje cele biznesowe w ramach wyraźnych ograniczeń operacyjnych.

Rozwiązanie obejmuje skalowalne potoki szkoleniowe, orkiestrację modeli, systemy oceny offline, automatyzację wdrożeń oraz monitorowanie jakości modeli i wykrywanie dryfu.

Kluczowe technologie: Python, SQL, XGBoost, LightGBM, CatBoost, Kubernetes, Docker, GCP, MLflow, Kubeflow, Airflow, Argo, Terraform

• Budowanie i walidacja modeli predykcyjnych, w tym modelowanie krajobrazu ofert, kontekstowe nadindeksowanie, przewidywanie skłonności do konwersji z opóźnionymi etykietami oraz uczenie pozytywno-nieoznakowane.
• Projektowanie i wdrażanie ram oceny offline z wykorzystaniem odwrotnego skoringu skłonności i estymatorów podwójnie odpornych na podstawie zarejestrowanych decyzji.
• Definiowanie strategii eksploracji i podejść do rejestrowania skłonności w celu wsparcia wiarygodnej oceny modeli i optymalizacji.
• Kalibracja i optymalizacja modeli dla poszczególnych reklamodawców przy jednoczesnym monitorowaniu jakości rankingów i kalibracji.
• Rozwój i obsługa skalowalnych potoków orkiestracji szkoleniowej w harmonogramach wykonania godzinowych, dziennych i tygodniowych.
• Budowanie i utrzymywanie workflow rejestru modeli, w tym śledzenie pochodzenia, bram oceny i procesów promocyjnych z audytowalnością.
• Implementacja izolowanych instancji modeli dla poszczególnych reklamodawców z dedykowaną konfiguracją i separacją przestrzeni nazw.
• Posiadanie potoków publikacji modeli z przestrzeganiem SLO świeżości i udokumentowanymi procedurami awaryjnymi.
• Przeprowadzanie wdrożeń cieniowych oraz eksperymentów champion/challenger z produkcyjnym logowaniem pomiarów.
• Monitorowanie dryfu cech, dryfu prognoz, rozbieżności między treningiem a serwisem, degradacji kalibracji i opóźnienia etykiet w środowiskach produkcyjnych.
• Zapewnienie powtarzalności poprzez przypinane środowiska, zbudowane w kontenerach i powtarzalne zrzuty danych.
• Udział w cyklach optymalizacji po uruchomieniu i ocena wpływu na biznes przy użyciu statystycznie uzasadnionych pomiarów wzrostu.
• Przygotowanie dokumentacji technicznej i wsparcie transferu wiedzy do zespołów inżynieryjnych i danych Klienta.

Wymagania:

• 6+ lat doświadczenia komercyjnego w Data Science i inżynierii ML, w tym co najmniej 2 lata w każdej z tych dziedzin.
• Silne doświadczenie produkcyjne z systemami uczenia maszynowego przynoszącymi wymierny wpływ na biznes.
• Głęboka wiedza w dziedzinie Data Science/ML Engineering z solidnymi umiejętnościami praktycznymi w uzupełniającej dziedzinie.
• Silne praktyczne doświadczenie z drzewami gradientowymi, takimi jak XGBoost, LightGBM lub CatBoost.
• Zaawansowana wiedza w co najmniej jednej z następujących dziedzin: opóźnione etykiety, uczenie PU, ocena off-policy, estymacja hierarchiczna, optymalizacja ograniczona.
• Umiejętności programowania na poziomie produkcyjnym w Pythonie oraz silne umiejętności SQL.
• Doświadczenie w orkiestracji ML, potokach CI/CD i zarządzaniu rejestrem modeli.
• Praktyczne doświadczenie z Kubernetes i Docker w środowiskach produkcyjnych.
• Silne umiejętności eksperymentalne i oceny, w tym statystyczna interpretacja wyników.
• Gotowość do wsparcia własności operacyjnej i uczestnictwa w działaniach dyżurnych.
• Poziom angielskiego co najmniej średniozaawansowany.

Będzie to dodatkowy atut:

• Doświadczenie w AdTech, RTB, rankingach, systemach wyceny lub rynkach w czasie rzeczywistym.
• Znajomość bandytów kontekstowych i technik oceny off-policy.
• Doświadczenie z wielo-tenantowymi systemami ML i podejściami do izolacji danych.
• Tło w systemach oceny wsadowej z wymaganiami SLA świeżości.
• Praktyczne doświadczenie z MLflow, Kubeflow, Airflow lub Argo.
• Doświadczenie z usługami GCP, w tym Vertex AI i BigQuery.
• Znajomość Terraform i infrastruktury Linux na miejscu.