Nasze wymagania
Minimum 5 lata doświadczenia w data science, applied science lub ML engineering
Praktyczna znajomość Pythona (scikit-learn, pandas, numpy itp.) oraz SQL-a
Wykształcenie kierunkowe na poziomie MSc - matematyka stosowana, statystyka, informatyka, operations research lub dziedzina pokrewna
Gruntowna wiedza z podstaw statystyki - rachunek prawdopodobieństwa, testowanie hipotez
Znajomość co najmniej jednego z następujących obszarów: constrained optimization i operations research, metody bayesowskie lub causal inference, control theory (feedback controllers)
Doświadczenie w pracy z danymi w dużej skali - rzędu miliardów zdarzeń dziennie
Doświadczenie w projektowaniu i prowadzeniu testów A/B
Umiejętność pisania czytelnego kodu produkcyjnego i praca w repozytorium zespołowym z code review
Umiejętność jasnego uzasadniania decyzji modelowych i kompromisów w rozmowie z produktem i inżynierią
Samodzielność i poczucie odpowiedzialności za wynik w warunkach niejednoznaczności - umiejętność przekształcania rozmytych problemów w konkretne rozwiązania
Badawcze i kreatywne podejście do problemów - stawiamy na jakość i solidne, naukowo uzasadnione rozwiązania
Mile widziane
- Doświadczenie w adtech lub RTB (duży plus)
- Znajomość więcej niż jednego z obszarów wymienionych w wymaganiach
- Doświadczenie z reinforcement learning lub multi-armed bandits
- Doświadczenie z online learning i algorytmami adaptacyjnymi w środowiskach niestacjonarnych
- Doświadczenie z rozwiązaniami typu feature store
Twój zakres obowiązków
Projektowanie, implementacja, ewaluacja i wdrażanie modeli ML do predykcji odpowiedzi użytkownika
Rozwój i optymalizacja algorytmów oraz strategii licytowania w aukcjach first-price, w tym bid shading
Optymalizacja decyzji licytacyjnych pod ograniczeniami budżetowymi i marżowymi - pacing kampanii i utrzymanie zakładanej marży przy maksymalizacji wyniku dla klienta
Pogłębione analizy dużych zbiorów danych - wyciąganie sygnału z szumu i dostarczanie wniosków wpływających na decyzje i strategię R&D
Projektowanie i analiza eksperymentów A/B wraz z oceną wpływu biznesowego
Budowa frameworków ewaluacji offline i online - walidacja zachowania modelu w żywym środowisku aukcyjnym
Wdrażanie komponentów samouczących się - bandits, pętle sprzężenia zwrotnego ograniczające ręczne tuningowanie i reguły
Prowadzenie własnych obszarów badawczych z dużą autonomią - od hipotezy przez implementację po test A/B na produkcji
Przegląd literatury i stanu wiedzy - ocena zastosowalności nowych metod do specyfiki naszego stacku