Кандидаты часто спрашивают нас про грань между исследованием и реализацией. В HFT каждый этап – от поиска идеи до ее исполнения в наносекундных таймингах – требует предельной концентрации и специфических компетенций. Поэтому мы разделяем роли ML Researcher и ML Engineer. 1. ML Researcher Цель ресечера – обнаружить статистическое преимущество на основе исторических данных. Ключевой вызов: «Как построить модель, которая отличит реальный рыночный сигнал от случайного колебания?» С чем работает: Jupyter Notebook, ML-фреймворки, инструменты визуализации для изучения данных и прогона моделей Типичные задачи: изучить данные, определить таргет, метрику и фичи; обучить модель; провалидировать её на ML-метриках и на бэк-тесте 2. ML Engineer Ресечер придумывает идею, инженер выстраивает среду для ее имплементации – быструю, надежную и масштабируемую. Ключевой вызов: «Как автоматизировать Data- и ML-пайплайны, чтобы в продакшне всегда работала SOTA? Как оптимизировать скорость инференса модели?» С чем работает: кластеры, инструменты оркестрации, хранилища данных, низкоуровневый код. Инженер сам выбирает и комбинирует средства, чтобы решить задачу самым быстрым и надежным способом Примеры задач: автоматизация пайплайнов; проектирование ресерч-кластера и ETL-процессов; настройка мониторингов; низкоуровневая оптимизация ML-моделей Почему в HFT ресечер – немного инженер, а инженер – ресечер? Если вам показалось, что роли пересекаются – вам не показалось. Специалисты должны понимать специфику смежных ролей, чтобы избежать ошибок на стыке этапов ML-цикла. • Ресерчер учитывает, что его математика должна «влезть» в железо и успеть отработать в рамках наносекундного тайм-бюджета. • Инженер вникает в процесс ресерча, например, для того, чтобы написать оптимальный код для инференса конкретной модели. Если вы узнали себя в одной из ролей или вам интересны обе – откликайтесь на сайте или отправляйте резюме напрямую Софии 🫶🏻