Machine Learning Engineer

İŞİN ƏSAS SƏMƏRƏLİLİK GÖSTƏRİCİLƏRİ /

KEY PERFORMANCE INDICATORS 

1. Data strukturunun və keyfiyyətinin analiz edilməsi
   Analyze existing data structure and assess data quality

Backlog elementlərinin vaxtında icra olunma faizi/ % of backlog items delivered on schedule

Müştəri profillərinin zənginləşdirilməsi üçün data parsing və entity extraction pipeline-larını qurmaq; məxfilik qaydalarına uyğun normalizasiya və maskalama tətbiq etmək.
Build data parsing and entity extraction pipelines to enrich customer profiles; apply normalization and masking in accordance with privacy regulations.

Parsing dəqiqliyi/recall, ETL gecikməsi, PII audit nəticələri, data leak incident=0.

 Parsing accuracy/recall, ETL latency, PII audit results, data leak incident=0.

1. Demoqrafik və davranış atributlarının çıxarılması üçün probabilistik modellər qurmaq (supervised/weak supervision, calibration, confidence scoring) və nəticələri feature store-a yazmaq.
2. Building probabilistic models to extract demographic and behavioral attributes (supervised/weak supervision, calibration, confidence scoring) and writing the results to a feature store.

Model AUC/F1/Calibration (ECE), coverage, confidence threshold üzrə precision, downstream kampaniyada lift./ Model AUC/F1/Calibration (ECE), coverage, confidence threshold üzrə precision, downstream kampaniyada lift.

1. Data keyfiyyət problemlərinin müəyyən edilməsi və həll mexanizmlərinin hazırlanması. Feature engineering və model selection proseslərinin icrası
2. Identify data quality issues and propose improvement mechanisms. Perform feature engineering and model selection

Təslim mərhələlərinin (UAT, POC, işə salma yoxlamaları) vaxtında yerinə yetirilmə faizi/ % of delivery milestones achieved on time (UAT, POC, go-live checkpoints)

1. Anomaliya və pattern detection üçün ML modellərinin hazırlanması. Model performansının ölçülməsi və optimizasiyası
2. Develop ML models for anomaly and pattern detection. Evaluate and optimize model performance

Backlog elementlərinin icrası və sprint sürəti./ Delivery of backlog items and sprint velocity.

1. Lookalike audience məntiqini qurmaq: seed auditoriyalardan oxşar istifadəçi tapmaq üçün embedding + nearest neighbors / gradient boosting / deep learning modelləri; segmentlərin ölçüləndirilməsi və yenilənməsi
2. Building lookalike audience logic: embedding + nearest neighbors / gradient boosting / deep learning models to find similar users from seed audiences; sizing and updating segments

Lookalike lift (CTR/CVR), ROAS artımı, auditoriya stabilliyi (drift), segment refresh SLA.

Lookalike lift (CTR/CVR), ROAS growth, audience stability (drift), segment refresh SLA.

1. Strong proficiency in Python (Pandas, NumPy, Scikit-learn ,TensorFlow, PyTorch)

1. Data Science və ya Machine Learning sahəsində minimum 3+ il təcrübə / Minimum 3+ years of experience in Data Science or Machine Learning
2. Preferens: Adtech/Martech, CDP/CRM, lookalike/segmentation, recommender sistemləri, fraud detection təcrübəsi./ Preferred: Adtech/Martech, CDP/CRM, lookalike/segmentation, recommender systems, fraud detection experience.

Python (Pandas, NumPy, Scikit-learn), ən azı bir DL framework (TensorFlow və ya PyTorch)/ Python (Pandas, NumPy, Scikit-learn), at least one DL framework (TensorFlow or PyTorch).

SQL (sorğu optimizasiyası), data warehouse anlayışı/ SQL (query optimization), data warehouse understanding.

Big data alətləri: Spark/Databricks və ya ekvivalent (üstünlük)/ Big data tools: Spark/Databricks or equivalent (preferred).

Model interpretability (SHAP/feature importance), calibration, bias/fairness əsasları/ Basics of model interpretability (SHAP/feature importance), calibration, bias/fairness.

API-lər (REST/gRPC), konteynerləşdirmə (Docker), orkestrasiya (Airflow/Kubeflow və ya ekvivalent) – baza/orta səviyyə/ APIs (REST/gRPC), containerization (Docker), orchestration (Airflow/Kubeflow or equivalent) – basic/intermediate level.

İngilis dili(yüksək səviyyə)/English (advanced)

1. MLOps və model deployment üzrə baza bilik
2. Basic knowledge of MLOps and model deployment

1. Yeni qurulan komanda və ya startup mühitində iş təcrübəsi
2. Experience in startup or newly formed teams