Обязательно:

• Python и стек ML-библиотек: уверенное владение pandas, NumPy, scikit-learn для обработки данных и построения классических моделей; опыт применения градиентного бустинга и регрессионных методов для задач прогнозирования.

• Работа с временными рядами и предиктивной аналитикой: построение моделей прогнозирования цен, объёмов и остаточного ресурса оборудования, кросс-валидация на временных рядах, учёт сезонности и трендов.

• Разработка backend-сервисов на FastAPI: проектирование REST API, асинхронное программирование (asyncio/await), интеграция с PostgreSQL через SQLAlchemy.

• Контейнеризация и системная архитектура (Docker): упаковка ML-моделей и сервисов в контейнеры, понимание принципов микросервисной архитектуры.

• Работа с базами данных и очередями сообщений: SQL/PostgreSQL для хранения признаков и результатов прогнозов, опыт с Redis/Kafka для потоковой обработки данных с производственных датчиков.

Желательно:

• Базовые навыки frontend/интеграции: сборка минимального UI/дашборда для демонстрации моделей (Streamlit, HTMX и аналоги).

• Управление жизненным циклом ML-моделей (MLOps): версионирование экспериментов и моделей (MLflow), настройка пайплайнов переобучения и мониторинга в production, знакомство с оркестраторами (Airflow).