Senior Machine Learning Engineer

Nasze wymagania

• Wieloletnie, praktyczne doświadczenie w Machine Learning lub Data Science, ze szczególnym naciskiem na szeregi czasowe i prognozowanie.
• Udokumentowane doświadczenie w samodzielnym prowadzeniu złożonych projektów związanych z prognozowaniem.
• Doświadczenie w pracy z danymi charakteryzującymi się niskim stosunkiem sygnału do szumu, np. danymi finansowymi, rynkowymi, biosygnałami, predictive maintenance lub CTR.
• Bardzo dobra znajomość metod walidacji danych czasowych oraz świadomość problemów związanych z losowym podziałem danych.
• Praktyczna znajomość walk-forward validation, purging, embargo, doboru okna oraz analizy zmian reżimów.
• Umiejętność samodzielnego rozpoznawania data leakage, overfittingu i podejrzanie dobrych wyników.
• Bardzo dobre rozumienie działania i oceny modeli neuronowych oraz umiejętność interpretacji ich zachowania na zbiorach treningowych, walidacyjnych i testowych.
• Bardzo dobra znajomość Pythona i umiejętność tworzenia produkcyjnego, czytelnego oraz powtarzalnego kodu.
• Znajomość Git, Docker oraz narzędzi do zarządzania środowiskami Python, takich jak venv lub uv.
• Znajomość DuckDB i formatu Parquet.
• Doświadczenie w wykorzystywaniu narzędzi AI podczas codziennej pracy programistycznej i badawczej oraz świadomość ich ograniczeń.
• Gotowość do konstruktywnego kwestionowania istniejących założeń i proponowania alternatywnych rozwiązań.
• Język polski na poziomie co najmniej B2/C1.
• Język angielski na poziomie co najmniej B2+/C1, umożliwiający swobodną komunikację techniczną z klientem.

Mile widziane

• Doświadczenie w energetyce, finansach lub rynkach kryptowalut.
• Znajomość mechaniki rynków kryptowalut, w tym różnic pomiędzy rynkiem spot a instrumentami pochodnymi.
• Doświadczenie z nowoczesnymi modelami fundamentalnymi dla szeregów czasowych.

Twój zakres obowiązków

• Prowadzenie samodzielnych eksperymentów prognostycznych na szeregach czasowych – od postawienia hipotezy, przez przygotowanie eksperymentu i modelu, aż po analizę oraz obronę wyciągniętych wniosków.
• Dobór i testowanie metod modelowania odpowiednich do charakterystyki danych, obejmujących modele klasyczne, gradient boosting, sieci neuronowe oraz nowoczesne modele fundamentalne dla szeregów czasowych.
• Budowanie i porównywanie modeli względem odpowiednio dobranych baseline’ów oraz podejmowanie decyzji o dalszym rozwoju lub odrzuceniu danego podejścia.
• Projektowanie poprawnych metod walidacji dla danych czasowych, w tym walk-forward validation, purging, embargo oraz dobór odpowiednich okien treningowych i testowych.
• Analizowanie stabilności modeli w różnych okresach i warunkach oraz identyfikowanie zmian reżimów.
• Samodzielne wykrywanie data leakage, overfittingu oraz innych problemów mogących prowadzić do zawyżonych lub niewiarygodnych wyników.
• Krytyczna analiza wyników eksperymentów prowadzonych przez pozostałych członków zespołu.
• Weryfikowanie poprawności splitów, targetów, baseline’ów, metryk oraz sposobu interpretacji wyników.
• Współtworzenie i egzekwowanie standardów prowadzenia eksperymentów ML, obejmujących jasno zdefiniowaną hipotezę, sposób walidacji, model bazowy oraz kryteria zakończenia eksperymentu.
• Wykorzystywanie narzędzi AI do przyspieszania pracy badawczej, m.in. przy tworzeniu pipeline’ów, parserów, automatyzacji i kodu pomocniczego, przy jednoczesnej ręcznej weryfikacji poprawności kluczowych elementów eksperymentów.

O projekcie

Tak organizujemy naszą pracę

To oferujemy

• 100% zdalnej pracy z możliwością korzystania z biura w Warszawie,
• pracę przy projektach R&D związanych z energetyką i rynkami kryptowalut,
• współpracę z zespołem bardzo doświadczonych specjalistów,
• dużą autonomię w prowadzeniu eksperymentów,
• realny wpływ na standardy badawcze i kierunki rozwoju projektu,
• bezpośredni kontakt z klientem i możliwość prezentowania własnych wyników,
• elastyczne środowisko pracy bez zbędnych procesów i korporacyjnej biurokracji.