AI/ML engineer vakansiyası üçün uyğun namizədlər axtarılır.
Təsvir
- Klassik ML modelləri üzrə işləmək: təsnifat, reqressiya, anomaliya aşkarlanması və zaman sıraları; Deep Learning həllərini qurmaq və baseline nəticələrlə müqayisə edərək qiymətləndirmək.
- LLM əsaslı həllər hazırlamaq: prompting, RAG, structured output, tool calling və agentic workflow-lar; ehtiyac olduqda fine-tuning tətbiq etmək (LoRA/QLoRA).
- ML sistemlərinin end-to-end arxitekturasını hazırlamaq: batch və real-time inference, miqyaslanma; modelləri API və servis formasında quraraq bank sistemlərinə inteqrasiya etmək.
- Həlləri on-premise və private cloud mühitində istifadəyə vermək; CI/CD, model registry, drift və keyfiyyət monitorinqini qurmaq; modellərin yenilənməsi və istismarını dəstəkləmək.
- Model qərarlarının izah oluna bilməsini və ədalətliliyini yoxlamaq; həlləri sənədləşdirmək (model kartı, audit izi) və Risk/Compliance tələblərinə uyğunluğu təmin etmək.
Tələblər
- ML/AI və ya Data Science sahəsində ən azı 2 il praktiki təcrübə; ML və ya GenAI həllini end-to-end production mühitinə çatdırmaq təcrübəsi (yalnız PoC kifayət etmir).
- Süni intellekt, kompüter elmləri, riyaziyyat, statistika və ya oxşar sahədə ali təhsil, yaxud buna ekvivalent təcrübə.
- Klassik ML bilikləri: supervised metodlar (logistik reqressiya, qərar ağacları, gradient boosting – XGBoost/LightGBM/CatBoost) və unsupervised metodlar (klasterləşdirmə, PCA, anomaliya aşkarlanması); feature engineering, cross-validation, hiperparametr optimallaşdırılması, biznesə uyğun metrik və threshold seçimi; A/B testləri və statistika əsasları.
- Deep Learning üzrə təcrübə: PyTorch ilə model qurmaq və öyrətmək; MLP, CNN, RNN/LSTM, Transformer arxitekturaları; klassik ML və DL arasında əsaslandırılmış seçim etmək, inference optimallaşdırmasını tətbiq etmək.
- GenAI/LLM sahəsində bacarıq: prompting, embeddings, RAG, Vector DB və hybrid search, reranking; structured output, tool calling və agent çərçivələri; PEFT fine-tuning (LoRA/QLoRA); LLM nəticələrinin qiymətləndirilməsi və təhlükəsizlik yanaşmaları.
- ML System Design və MLOps bilikləri: batch/real-time inference, mikroservis və event-driven arxitektura, API dizaynı, model versiyalaşdırılması; latency-dəqiqlik-xərc balansı; MLflow və ya oxşar alətlər, eksperiment izləmə, drift monitorinqi, CI/CD.
- Mühəndislik bacarıqları: yüksək keyfiyyətli Python, böyük həcmli məlumatla SQL; Git, REST API (FastAPI), Docker, unit/integration testlər.
- Məxfi və tənzimlənən məlumatla izolyasiya olunmuş və ya on-premise mühitdə işləmə prinsiplərini anlamaq.
- Texniki mövzuları qeyri-texniki auditoriyaya aydın şəkildə izah etmək bacarığı.
Üstünlüklər
- Bank və maliyyə domenində təcrübə: fraud, tranzaksiya təsnifatı, churn, sənəd emalı (OCR + LLM).
- Lokal LLM serving təcrübəsi (vLLM, Ollama, llama.cpp) və GPU optimallaşdırması.
- Data mühəndisliyi üzrə biliklər: Spark, Airflow, Kafka; Oracle / MS SQL; core banking inteqrasiyası; feature store.
Vakansiya növü
Tam ştat
Maraqlanan namizədlər Müraciət et düyməsində qeyd olunan linkə daxil olaraq müraciət edə bilərlər.
