Machine Learning Engineer

VƏZİFƏ ÖHDƏLİKLƏRİ / JOB ACCOUNTABILITY İŞİN ƏSAS SƏMƏRƏLİLİK GÖSTƏRİCİLƏRİ /
KEY PERFORMANCE INDICATORS

• 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.

• Demoqrafik və davranış atributlarının çıxarılması üçün probabilistik modellər qurmaq (supervised/weak supervision, calibration, confidence scoring) və nəticələri feature store-a yazmaq.
• 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.

• Data keyfiyyət problemlərinin müəyyən edilməsi və həll mexanizmlərinin hazırlanması. Feature engineering və model selection proseslərinin icrası
• 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)

• Anomaliya və pattern detection üçün ML modellərinin hazırlanması. Model performansının ölçülməsi və optimizasiyası
• 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.

• Lookalike audience məntiqini qurmaq: seed auditoriyalardan oxşar istifadəçi tapmaq üçün embedding + nearest neighbors / gradient boosting / deep learning modelləri; segmentlərin ölçüləndirilməsi və yenilənməsi
• 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.

TƏLƏB OLUNAN BİLİK VƏ BACARIQLAR / REQUIRED KNOWLEDGE AND SKILLS
Təhsil / Education:
Riyaziyyat,MIS, İnformatika, Kompüter Elmləri, Kompüter Mühəndisliyi və ya əlaqəli sahələrdə bakalavrdərəcəsi / Bachelor’s degree in MIS, Informatics, Computer Science, Computer Engineering,Mathematics or related field
Müəyyən sahələrdə peşəkarliq (dərəcələri) / Specific areas of expertise:
• Strong proficiency in Python (Pandas, NumPy, Scikit-learn ,TensorFlow, PyTorch)

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

Dil və kompyuter proqramları bilikləri / Language and computer programs knowledge
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)

XÜSUSİ TƏLƏBLƏR / SPECIAL REQUIREMENTS

SƏRİŞTƏLƏR / COMPETENCIES

Güclü analitik düşüncə və problem həll etmə bacarığı
Strong analytical and problem-solving skills
• MLOps və model deployment üzrə baza bilik
• Basic knowledge of MLOps and model deployment

• Yeni qurulan komanda və ya startup mühitində iş təcrübəsi
• Experience in startup or newly formed teams