Middle ML EngineerСпециалистХронологический

Middle ML-инженер

Опытный ML-инженер с 3-летним стажем разработки и внедрения моделей прогнозной аналитики в высоконагруженных системах.

Бесплатный конструктор резюмеВакансии

Контакты

Вымышленные данные
Владимир Игоревич Белов
Middle Machine Learning Engineer
xxx@mail.ru+7 926 000-00-00Санкт-Петербург

О себе

Специализируюсь на создании масштабируемых ML-систем. Умею переводить бизнес-задачи на язык данных, строить сложные пайплайны и обеспечивать мониторинг моделей в продакшне. Имею глубокое понимание градиентного бустинга и архитектур нейронных сетей для работы с текстом и таблицами.

Опыт работы

ML Engineer
Крупный Ритейл Холдинг · Санкт-Петербург
2021 — наст. время
  • Разработал и внедрил систему динамического ценообразования, что увеличило маржинальность на 7% за первый квартал
  • Построил сервис предсказания LTV пользователей с использованием XGBoost, точность прогноза выросла на 15%
  • Автоматизировал переобучение моделей через Apache Airflow, сократив время ручной поддержки на 20 часов в месяц
  • Оптимизировал инференс моделей в Docker-контейнерах, снизив Response Time API с 300мс до 80мс
Data Scientist
Финтех 'Азимут' · Москва
2019 — 2021
  • Разработал скоринговую модель для оценки кредитных рисков, снизив уровень дефолтов на 4%
  • Внедрил систему детекции аномалий в транзакциях на базе Isolation Forest, повысив обнаружение мошенничества на 12%
  • Участвовал в миграции данных из локального хранилища в облачный Data Lake (Hadoop/Spark)

Навыки

Hard skills
Python (XGBoost, CatBoost, LightGBM)Deep Learning (PyTorch, Hugging Face)MLOps (MLflow, Airflow, DVC)Backend (FastAPI, Redis)Big Data (Spark, Hive)CI/CD, Docker, KubernetesA/B Testing & Statistics
Soft skills
Критическое мышлениеПроактивностьНаставничество (Mentoring)Бизнес-ориентированность

Образование

Компьютерные науки (Магистр)
НИУ ВШЭ · 2017 — 2019

Языки

  • Русский — C2 (Native)
  • Английский — C1 (Advanced)
Подтянуть язык

Сертификаты

  • AWS Certified Machine Learning – Specialty · Amazon Web Services, 2022

Частые вопросы

01.Чем отличается Middle от Junior в ML?

Middle не только обучает модели, но и выводит их в продакшн (Deployment), следит за качеством данных и понимает бизнес-контекст задач.

02.Важен ли опыт в MLOps для Middle уровня?

Да, навыки работы с CI/CD для моделей, Airflow и Docker являются критически важными для самостоятельной работы.

03.На каких метриках делать акцент?

Важно указывать не только технические метрики (ROC-AUC, RMSE), но и бизнес-результаты (рост прибыли, снижение оттока).

04.Нужно ли знать Deep Learning?

Для позиции общего профиля — обязательно знание архитектур трансформеров и сверточных сетей даже при работе с табличными данными.

Похожие образцы

Полезные статьи по теме