Senior adattudós

Stack

Feladatok

• ▹Cenzúrázott ajánlati-táj (bid-landscape) modellek építése és fejlesztése a lezárási ár eloszlásának becsléséhez részlegesen megfigyelt aukciós adatokból
• ▹Valós idejű nyerési valószínűség becslő modellek fejlesztése, amelyek reagálnak az ajánlati ár dinamikájára
• ▹Hierarchikus lift-becslő modellek tervezése és megvalósítása konfidenciasáv-alapú kiválasztási stratégiákkal
• ▹Konverziós hajlandósági modellek építése ritka, késleltetett és csak összesített címkékből
• ▹Hasonmás közönség (look-alike audience) modellezés kidolgozása pozitív-cimkézetlen tanulással és beágyazás-alapú legközelebbi szomszéd technikákkal
• ▹Hirdető szintű kalibrációs stratégiák megvalósítása, a rangsorolási és kalibrációs minőség önálló monitorozásával
• ▹Robusztus offline kiértékelési keretrendszerek tervezése inverz-propenzitás súlyozással, dupla-robusztus becslőkkel és fontosság-újrasúlyozással
• ▹Feltárási stratégiák és propenzitás-naplózási módszerek meghatározása a megbízható utólagos korrekció és kiértékelés érdekében
• ▹Korlátozott optimalizálási mechanizmusok fejlesztése kampánycélokhoz, árazási korlátokhoz és volumen célzáshoz
• ▹Közreműködés adatdiagnosztikában, képesség-felmérésekben és bizonyíték-alapú modell-ajánlásokban
• ▹Együttműködés az ügyfél csapatával a bevezetés utáni finomhangolás és teljesítmény-validálás során
• ▹Technikai dokumentáció és tudásátadási anyagok készítése az ügyfél belső adattudományi csapata számára
• ▹Részvétel architektúra-megbeszéléseken és a skálázható ML-platform tervezési döntéseiben

Elvárások

• ▹5+ év tapasztalat gépi tanulásban vagy adattudományban, üzleti KPI-k alapján mért éles modellekkel
• ▹Erős Python-ismeret, beleértve a numpy, pandas és scikit-learn használatát
• ▹Erős SQL-tudás és tapasztalat nagy méretű adathalmazokkal
• ▹Mély gyakorlati tapasztalat XGBoost, LightGBM vagy CatBoost eszközökkel
• ▹Erős tudás regularizációban, kalibrációs módszerekben és kategorikus jellemzők kezelésében
• ▹Erős valószínűségszámítási, statisztikai, konfidenciaintervallum- és statisztikai erő-elemzési ismeretek
• ▹Tapasztalat jellemző-mérnökségben strukturált és viselkedési adathalmazokhoz
• ▹Gyakorlati tapasztalat Spark vagy PySpark használatában
• ▹Kísérlettervezési keretrendszerek és A/B tesztelési módszertanok gyakorlati ismerete
• ▹Tapasztalat fejlett validálási módszerekkel: időbeli felosztás, adatszivárgás-észlelés, drift-elemzés, szelet-alapú metrikák
• ▹Magyarázhatósági technikák ismerete, mint a SHAP és a permutációs fontosság

Előny

• ▹AdTech modellezési tapasztalat: CTR/CVR előrejelzés, bid-landscape modellezés, közönség-szegmentálás, RTB mechanizmusok
• ▹Tapasztalat ritka, késleltetett vagy cenzúrázott címkékkel
• ▹Attribúciós modellezés, túlélés-elemzés és pozitív-cimkézetlen tanulás ismerete
• ▹Gyakorlati tapasztalat kontrafaktuális és off-policy kiértékelési technikákkal
• ▹Kalibrációs módszerek ismerete, beleértve az izotonikus regressziót és a Platt-skálázást
• ▹Tapasztalat hierarchikus, empirikus Bayes vagy részleges-összevonásos modellekkel
• ▹Korlátozott vagy többcélú optimalizálási módszerek ismerete
• ▹Uplift-modellezési és oksági következtetési módszerek tapasztalata
• ▹Vertex AI vagy hasonló menedzselt ML-tréning környezet tapasztalata
• ▹Publikációk, versenymodellezési eredmények vagy nyílt forráskódú hozzájárulások gépi tanulás vagy AdTech területén

Soft skillek