Machine Learning Engineer

О позиции

Ramp — финтех-компания, строящая умную инфраструктуру для финансовых команд: автоматизация платежей, управление рисками, категоризация расходов. Senior Applied Scientist в команде кредитного риска отвечает за полный цикл разработки моделей — от исследования данных до продакшн-деплоя — и работает на стыке машинного обучения, статистики, эконометрики и продуктовой стратегии. Роль подразумевает высокую самостоятельность и прямое влияние на бизнес-решения компании.

Будет плюсом

• Учёная степень PhD в математике, экономике, статистике, информатике или смежной области
• Опыт выстраивания инженерного цикла data science: моделирование данных, version control, документация, тестирование
• Знакомство с платформами оркестрации данных (Airflow, Dagster, Prefect)
• Опыт работы в быстрорастущем стартапе
• Опыт применения AI/LLM для разработки или внутренних рабочих процессов

Условия

• Гибкий PTO (неограниченный отпуск)
• Безлимитное использование AI-токенов
• Полное покрытие медицинской, стоматологической и офтальмологической страховки (100% для сотрудника)
• Членство в One Medical
• 401(k) с матчингом от работодателя
• Parental leave до 16 недель со 100% оплатой
• Стипенд на здоровье и велнес
• Обеды, снэки и напитки в офисе
• Поддержка релокации в Нью-Йорк или Сан-Франциско
• Pet insurance
• Fertility HRA до $10 000 в год

Навыки

• Python
• SQL
• Machine Learning
• NumPy
• pandas
• scikit-learn
• PyTorch
• Causal Inference
• Statistics
• Optimization
• Credit Risk Modeling
• Feature Engineering
• Backtesting
• Data Analysis
• Apache Airflow
• Dagster
• Prefect
• LLM
• Version Control

Могут спросить на собеседовании

1. Опишите ML-модель для оценки кредитного риска, которую вы разрабатывали в продакшне. Какие данные использовались, как вы валидировали модель и какие метрики отслеживали после деплоя?
2. Как вы подходите к задаче каузального вывода в условиях, когда нет возможности провести рандомизированный эксперимент? Приведите конкретный пример.
3. Расскажите о случае, когда вы обнаружили деградацию модели в продакшне. Как вы диагностировали проблему и что предприняли?
4. Как вы объясняете сложные модельные решения (например, выбор алгоритма или компромисс между точностью и интерпретируемостью) нетехническим стейкхолдерам?
5. Как вы приоритизируете задачи, когда одновременно нужно поддерживать существующие модели в продакшне и разрабатывать новые? Как вы управляете техническим долгом в ML-системах?