ML-инженер: скоринги, бандиты, next best action at ИнтеллектДиалог — NeverHard

Привет. Я Виктор, основатель IntellectDialog (7 лет, 500+ клиентов, резидент Сколково). Собираю senior-команду под грантовый НИОКР: система для стоматологических клиник, которая сама решает, кому, когда и в каком канале написать пациенту, сама записывает в МИС и объясняет каждое своё решение. Внутри — байесовские профили, скоринги, решающие правила с доказанными теоремами и генерация, где каждая цифра обязана иметь источник. Важно: только senior с продовым опытом ровно в том, что написано ниже. Смежный опыт не считается, доучивать некогда — сроки грантовые. В сопроводительном обязательно: научные публикации/доклады, если есть (для гранта это влияет на выбор), сколько часов в день готовы уделять, и подтверждение, что ставка 1500 ₽/час вам подходит. Отклик без этих пунктов и без обязательных пунктов из конца вакансии не рассматриваю . ML-инженер: скоринги, бандиты, next best action Это главная роль в проекте. Вы будете строить ядро: модель риска неявки пациента, выбор канала и времени касания, решающий слой «писать / отложить / молчать». Что конкретно: — скоринг неявки на данных МИС: фичи из профиля, CatBoost/LightGBM, обязательно калибровка вероятностей — решающая формула ест именно вероятность, а не score; — канальные Beta-модели и каскад, Thompson sampling для аккуратного исследования (MABWiser или VW — обсудим); — оценка политик на исторических логах до полевого запуска (IPS/DR), потом нормальные A/B на пилотах; — SHAP-объяснения каждого прогноза — у нас всё журналируется, система обязана объяснять свои решения; — дальше по ходу — онлайн-дообучение на потоке и uplift-разведка. Кого я ищу: человека из CVM телекома, NBA-команды банка, персонализации пушей маркетплейса или CDP-вендора. Того, кто строил модели, по которым реально принимались решения, и видел, как политика с красивым AUC проигрывает случайной выборке — и понимает почему. Кому не писать: если вы делали аналитику, отчёты и ad-hoc модели без петли решений — это не тот опыт. Если off-policy evaluation для вас новое словосочетание — тоже мимо. Kaggle и пет-проекты не считаются вообще. Стек: ваш контур — Python + PostgreSQL. Ядро платформы у нас Node.js/React/Postgres, от вас нужны чистые API моделей, интеграцию сделает бэкенд. Условия: удалёнка, от 4 часов в день, 1500 ₽/час по факту, самозанятость/ИП/ГПХ, 12–18 месяцев. Для ключевых участников по итогам успешной реализации — опцион на долю в компании (условия индивидуально, после первых месяцев работы). Это НИОКР с публикациями и РИД — 50+ клиник-клиентов ждут пилотов, результат уйдёт в прод. Если есть научные публикации, доклады, участие в НИОКР — приложите список, для гранта это важно и влияет на выбор. В отклике обязательно: Один кейс с цифрами: что за задача, метрика до/после, ваша личная роль в этом. Пройдитесь по списку и напротив каждого пункта честно поставьте одно из трёх: «работал в проде», «знаю поверхностно», «не работал». Не приукрашивайте — на созвоне я спрошу детали по любому пункту, и «не работал» звучит сильно лучше, чем поплывший ответ: — CatBoost или LightGBM (что именно и в каких задачах); — калибровка вероятностей (Platt/isotonic) — где применяли и зачем; — контекстные бандиты: MABWiser, Vowpal Wabbit или своя реализация; — off-policy evaluation (IPS/DR) — на чём считали; — SHAP в проде (не в ноутбуке для презентации); — онлайн-дообучение: River или аналоги; — uplift: CausalML / EconML / scikit-uplift; — PostgreSQL — уровень (пишу запросы / проектирую схемы / оптимизирую). Отдельным абзацем: что из решающего контура вы строили с нуля сами (архитектура, формулы, петля обучения), а что брали готовым и адаптировали. Мне важны оба навыка, но я должен понимать, какой из них ваш основной. GitHub, доклады, статьи — что есть. Научные достижения, если есть — списком (публикации, конференции, НИОКР). Для гранта это значимо. Доступность: сколько часов в день готовы уделять, с какой даты — и подтверждение, что ставка 1500 ₽/час по факту отработанного вам ок.