Senior Data Scientist

29 вересня 2026

Senior Data Scientist

Київ, Харків, Львів, Дніпро, Одеса, Вінниця, Івано-Франківськ, Луцьк, Моршин, Полтава, Суми, Тернопіль, Черкаси, Чернівці, Будапешт (Угорщина), Бургас (Болгарія), Варшава (Польща), Краків (Польща), Лісабон (Португалія), Познань (Польща), Прага (Чехія), віддалено

Join Sigma Software to help build advanced machine learning solutions for one of the large-scale players in the programmatic advertising ecosystem. We are looking for a Senior Machine Learning Engineer with strong production ML expertise and deep interest in real-time optimization systems, large-scale behavioral data, and AdTech challenges.

In this role, you will work with a dedicated Sigma Software team on a predictive modeling platform integrated with a live ad exchange processing hundreds of millions of auction requests daily. You will contribute to sophisticated ML solutions involving bid optimization, calibration, counterfactual evaluation, and constrained decision-making systems.

We as a company offer the opportunity to work on technically challenging products, collaborate with experienced engineers and data scientists, and make a direct impact on large-scale production systems.

CUSTOMER

Our Customer is a technology company operating supply-side infrastructure within the programmatic advertising ecosystem. The company manages a high-scale ad exchange platform and is investing in predictive decisioning capabilities to improve advertising performance, audience targeting, and campaign optimization through advanced machine learning technologies.

PROJECT

The project focuses on building a predictive modeling and optimization platform on top of a live ad exchange environment. The platform evaluates and filters advertising supply in real time, predicts high-performing audience contexts, builds look-alike audiences from small seed datasets, and optimizes campaign performance across multiple business objectives and operational constraints.

The team works on complex machine learning challenges including censored bid-landscape modeling, sparse and delayed conversion attribution, calibration systems, counterfactual evaluation, and constrained optimization models. The solution is designed for large-scale production use and close collaboration with the Customer’s internal data science organization.

Job Description

• Build and improve censored bid-landscape models to estimate clearing-price distributions from partially observed auction data
• Develop real-time win probability estimation models responsive to bid pricing dynamics
• Design and implement hierarchical lift estimation models with confidence-bound-based selection strategies
• Build conversion propensity models using sparse, delayed, and aggregate-only labels
• Develop look-alike audience modeling approaches using positive-unlabeled learning and embedding-based nearest-neighbor techniques
• Implement advertiser-level calibration strategies while independently monitoring ranking and calibration quality
• Design robust offline evaluation frameworks using inverse-propensity scoring, doubly-robust estimators, and importance reweighting
• Define exploration strategies and propensity logging approaches to ensure reliable downstream correction and evaluation
• Develop constrained optimization mechanisms for campaign objectives, pricing constraints, and volume targeting
• Contribute to data diagnostics, capability assessments, and evidence-based model recommendations
• Collaborate with the Customer team during post-launch tuning and performance validation cycles
• Prepare technical documentation and knowledge transfer materials for the Customer’s internal data science team
• Participate in architecture discussions and contribute to scalable ML platform design decisions

Qualifications

• 5+ years of experience in Machine Learning or Data Science with production-grade models measured against business KPIs
• Strong Python skills including numpy, pandas, and scikit-learn
• Strong SQL skills and experience working with large-scale datasets
• Deep practical experience with XGBoost, LightGBM, or CatBoost
• Strong understanding of regularization, calibration methods, and categorical feature handling
• Strong knowledge of probability, statistics, confidence intervals, and statistical power analysis
• Experience with feature engineering for structured and behavioral datasets
• Hands-on experience with Spark or PySpark
• Practical knowledge of experimentation frameworks and A/B testing methodologies
• Experience with advanced validation approaches including temporal splits, leakage detection, drift analysis, and slice-based metrics
• Understanding of explainability techniques such as SHAP and permutation importance
• Upper-Intermediate English level or higher

WILL BE A PLUS

• Experience in AdTech modeling including CTR/CVR prediction, bid-landscape modeling, audience segmentation, and RTB mechanics
• Experience working with sparse, delayed, or censored labels
• Knowledge of attribution modeling, survival analysis, and positive-unlabeled learning
• Practical experience with counterfactual and off-policy evaluation techniques
• Understanding of calibration methods including isotonic regression and Platt scaling
• Experience with hierarchical, empirical-Bayes, or partial-pooling models
• Knowledge of constrained or multi-objective optimization approaches
• Experience with uplift modeling and causal inference methods
• Experience with Vertex AI or similar managed ML training environments
• Publications, competitive modeling achievements, or open-source contributions related to Machine Learning or AdTech

PERSONAL PROFILE

• Strong analytical and problem-solving skills
• Ability to work effectively in a highly data-driven environment
• Strong communication and stakeholder management abilities
• Ability to explain complex modeling decisions to technical and non-technical audiences
• Proactive mindset with strong ownership mentality
• Attention to detail and scientific rigor in experimentation and evaluation

___________________________________________________________________________________________________________

Приєднуйтесь до Sigma Software, щоб допомагати створювати передові рішення у сфері машинного навчання для одного з великих гравців екосистеми програматик-реклами. Ми шукаємо Senior Machine Learning Engineer із сильним практичним досвідом розробки та впровадження ML-рішень у продакшені, а також глибоким інтересом до систем оптимізації в реальному часі, аналізу масштабних поведінкових даних та викликів сфери AdTech.

На цій посаді ви працюватимете в команді Sigma Software над платформою предиктивного моделювання, інтегрованою з діючою рекламною біржею, яка щодня обробляє сотні мільйонів аукціонних запитів. Ви братимете участь у розробці складних ML-рішень для оптимізації ставок, калібрування моделей, контрфактичної оцінки та систем прийняття рішень з обмеженнями.

Ми пропонуємо можливість працювати над технічно складними продуктами, співпрацювати з досвідченими інженерами та дата-сайєнтистами, а також безпосередньо впливати на великомасштабні продакшен-системи.

КЛІЄНТ

Наш Замовник є технологічною компанією, яка розвиває інфраструктуру supply-side у сфері програматик-реклами. Компанія управляє високонавантаженою рекламною біржею та інвестує в розвиток систем предиктивного прийняття рішень для покращення ефективності рекламних кампаній, таргетингу аудиторій та оптимізації рекламних активностей за допомогою сучасних технологій машинного навчання.

ПРОЄКТ

Проєкт зосереджений на створенні платформи предиктивного моделювання та оптимізації поверх діючого середовища рекламної біржі. Платформа в режимі реального часу оцінює та фільтрує рекламний інвентар, прогнозує найбільш ефективні контексти аудиторій, формує look-alike сегменти на основі невеликих наборів вихідних даних та оптимізує результати рекламних кампаній з урахуванням численних бізнес-цілей і операційних обмежень.

Команда працює над складними задачами машинного навчання, включаючи моделювання bid landscape для цензурованих даних, атрибуцію конверсій за умов нестачі та затримки сигналів, системи калібрування, контрфактичну оцінку та моделі оптимізації з обмеженнями. Рішення розробляється для масштабного використання у продакшені та передбачає тісну співпрацю з внутрішньою командою Data Science Замовника.

Обов’язки

• Розробка та вдосконалення моделей bid landscape для оцінки розподілу clearing price на основі частково спостережуваних аукціонних даних.
• Створення моделей прогнозування ймовірності перемоги в аукціоні (win probability) у режимі реального часу з урахуванням динаміки ставок.
• Проєктування та впровадження ієрархічних моделей оцінки uplift (lift estimation) із використанням стратегій відбору на основі довірчих меж.
• Побудова моделей схильності до конверсії (conversion propensity) на основі розріджених, відкладених або агрегованих міток.
• Розробка підходів до моделювання look-alike аудиторій із використанням Positive-Unlabeled Learning та embedding-based nearest neighbor методів.
• Впровадження стратегій калібрування на рівні рекламодавця та незалежний моніторинг якості ранжування і калібрування.
• Розробка надійних офлайн-фреймворків оцінки із застосуванням Inverse Propensity Scoring, Doubly Robust Estimators та Importance Reweighting.
• Визначення стратегій дослідження (exploration) та підходів до логування propensity для забезпечення коректної подальшої оцінки та корекції моделей.
• Розробка механізмів оптимізації з обмеженнями для досягнення цілей кампаній, дотримання цінових обмежень та цільових обсягів трафіку.
• Проведення діагностики даних, оцінки можливостей системи та підготовка рекомендацій щодо моделей на основі доказового підходу.
• Співпраця з командою Замовника під час післярелізного налаштування та перевірки продуктивності моделей.
• Підготовка технічної документації та матеріалів для передачі знань внутрішній команді Data Science Замовника.
• Участь в архітектурних дискусіях та прийнятті рішень щодо побудови масштабованої ML-платформи.

Вимоги

• Від 5 років досвіду в Machine Learning або Data Science з продакшен-моделями, ефективність яких оцінюється через бізнес-KPI.
• Впевнене володіння Python, включаючи NumPy, Pandas та Scikit-learn.
• Сильні навички роботи з SQL та досвід роботи з великими наборами даних.
• Глибокий практичний досвід роботи з XGBoost, LightGBM або CatBoost.
• Ґрунтовне розуміння регуляризації, методів калібрування та роботи з категоріальними ознаками.
• Сильні знання теорії ймовірностей, статистики, довірчих інтервалів та аналізу статистичної потужності.
• Практичний досвід feature engineering для структурованих та поведінкових даних.
• Практичний досвід роботи зі Spark або PySpark.
• Знання експериментальних фреймворків та методологій A/B тестування.
• Досвід застосування просунутих підходів до валідації моделей, включаючи часові розбиття вибірок, виявлення data leakage, аналіз дрейфу даних та slice-based метрики.
• Розуміння методів пояснюваності моделей, таких як SHAP та Permutation Importance.
• Рівень англійської Upper-Intermediate або вище.

Буде перевагою

• Досвід побудови моделей у сфері AdTech, включаючи прогнозування CTR/CVR, bid landscape modeling, сегментацію аудиторій та розуміння механіки RTB-аукціонів.
• Досвід роботи з розрідженими, відкладеними або цензурованими мітками.
• Знання attribution modeling, survival analysis та Positive-Unlabeled Learning.Практичний досвід застосування методів контрфактичної оцінки (counterfactual evaluation) та off-policy evaluation.
• Розуміння методів калібрування, включаючи Isotonic Regression та Platt Scaling.
• Досвід роботи з ієрархічними моделями, Empirical Bayes або Partial Pooling підходами.
• Знання методів оптимізації з обмеженнями або багатокритеріальної оптимізації.
• Досвід uplift modeling та методів причинно-наслідкового аналізу (causal inference).
• Досвід роботи з Vertex AI або подібними керованими середовищами для навчання ML-моделей.
• Наукові публікації, досягнення у змаганнях з машинного навчання або внесок у open-source проєкти у сфері Machine Learning чи AdTech.

Особистий профіль

• Сильні аналітичні навички та здатність ефективно вирішувати складні задачі.
• Вміння продуктивно працювати в середовищі, орієнтованому на дані.
• Розвинені комунікаційні навички та вміння взаємодіяти зі стейкхолдерами.
• Здатність пояснювати складні рішення у сфері моделювання як технічній, так і нетехнічній аудиторії.
• Проактивний підхід та високий рівень відповідальності за результат.
• Уважність до деталей і науковий підхід до проведення експериментів та оцінювання моделей.