Senior ML инженер

Описание

О нас

DataLouna киберспортивная аналитика нового поколения. Уже 4 года наша команда превращает сырые данные CS2 и Dota 2 в уникальную статистику, предсказания и эксклюзивные беттинг-линии.

Мы часть крупного IT/киберспортивного холдинга, работаем с топовыми букмекерами.

Отличие от HLTV и Dotabuff: не агрегируем публичные данные, а создаём собственные метрики вместе с профессиональными аналитиками и тренерами. На этой базе строим B2B-решения: API, предиктивные модели, уникальные линии.

Цель: стать HLTV 2.0 в аналитике и главным поставщиком данных для беттинг-индустрии.

Слово от CEO

У нас есть то, чего нет у других уникальная база данных, собранная за годы работы с профессиональными аналитиками. Теперь нужен человек, который раскроет её потенциал.

Мир ML развивается стремительно. Мы не знаем заранее, какой инструмент даст лучший результат трансформеры, гибридные модели или что-то совсем новое. Поэтому ищем того, кто умеет и любит экспериментировать.

Задачи-вызовы, которые ждут:

• Создать уникальную линию для топового букмекера
• Построить LLM-аналитика для киберспорта
• Найти подходы, которые вытащат максимум из наших данных

Нам не нужен человек, который будет ждать готовых ТЗ. Нужен тот, кто сам предложит гипотезу, проверит её и придёт с результатом.

О роли

Домен киберспорт: рекомендательные и скоринговые системы для CS2 и Dota 2.

Ты будешь работать в связке с ML-инженером, который специализируется на классических методах (CatBoost, XGBoost, деревья). Твоя зона современные архитектуры: трансформеры, нейросети, новые подходы.

Бэкенд-команда готовит инфраструктуру. Профессиональные аналитики помогут разобраться в тонкостях CS2 и Dota 2, вместе будете придумывать фичи.

Чем будешь заниматься

Разработка моделей

• Трансформеры для табличных данных: TabTransformer, FT-Transformer, TabNet
• Модели для последовательностей: Temporal Fusion Transformer, Informer, PatchTST
• Эксперименты с адаптацией LLM-подходов к структурированным данным
• Гибридные архитектуры (нейросети + классика) для устойчивости

Работа с данными

• Проектирование признаков вместе с аналитиками: эмбеддинги, временная динамика, контекстные фичи
• Representation learning, contrastive learning
• Сбор и структурирование исторических данных

Что важно

Обязательно:

• Высшее техническое/математическое образование или 5+ лет подтверждённого опыта в ML
• Глубокое понимание трансформеров не "использовал библиотеку", а "могу модифицировать под задачу"
• PyTorch (предпочтительно) или TensorFlow
• Python: numpy, pandas, scikit-learn как базовые инструменты
• Опыт с градиентным бустингом (CatBoost / LightGBM / XGBoost)
• Опыт обучения и файнтюнинга нейросетей: оптимизаторы, регуляризация, scheduling
• Понимание temporal validation, data leakage, data drift

Будет плюсом:

• Участие в ML-соревнованиях с нейросетевыми подходами
• Опыт с MLOps: Spark, Airflow, ClickHouse

Условия

• 400 000 600 000 (обсуждается по опыту)
• Удалённая работа
• Гибкий график

Как проходит отбор

Скрининг (15-20 мин) знакомство, пара вопросов

Техническое интервью (1.5-2 часа) обсуждение опыта, подходов к задачам

Оффер

Как откликнуться

Пришли резюме и ссылки на GitHub / Kaggle / публикации (если есть).

В сопроводительном расскажи: последнюю ML-задачу, которую решал какую бизнес-проблему закрывала, какие подходы использовал, какой результат получил.