Стажер Data Analyst в МТС
Офис в Москве

Предстоит: Выполнение ad-hoc задач (сбор данных и обработка под требования заказчика); Участие в построении конверсионных сегментов;
.… Узнать подробнее 🔵

Data Modeler
From 3.500 to 6.000$
Remote

You will: Collaborate closely with Analytics and Data Engineering teams to design and implement scalable, high-performance data models that support business and analytical objectives; Work directly with business stakeholders to translate analytical and reporting requirements into robust conceptual, logical, and physical data models... find out more 🔵

Стажер Data Science в Сбер
Офис в Владивостоке

Предстоит: участвовать в полном цикле разработки модели: постановка задачи, сбор данных, разработка ML-модели, подготовка артефактов для внедрения... Узнать подробнее 🔵

Data Science Team Lead
Удаленно / Гибрид / Офис в Москве

Предстоит: Организация эффективной коммуникации со стейкхолдерами и продуктовой командой; Квартальное и оперативное планирование работы; Участие в code review, grooming, поддержка стандартов качества кода и лучших практи… Узнать подробнее 🔵

Недавно Kaggle объявил о новой программе грантов

Любимая платформа для соревнований объявила о расширении исследовательских грантов: Benchmark Resource Grants. Как вы уже могли догадаться, новая программа направлена на бенчмарки: например, чтобы получить грант, можно придумать уникальную задачу, определить метрики оценки и создать train/test split.

Программа гранта включает в себя следующее:
➖ Вычислительные мощности и доступ ко многим моделям. Вы не только получите доступ к ведущим моделям, но и при необходимости сможете оценивать тесты на собственных моделях;
➖ Удобную инфраструктуру, чтобы вы не тратили время на инженерные вопросы: Kaggle возьмет их на себя – после публикации вашего теста платформа будет сама оценивать результаты и обновлять таблицу лидеров;
➖ Ну и, конечно, ваш тест смогут увидеть исследователи по всему миру! Kaggle не только поможет при необходимости реализовать ваш тест, но и окажет маркетинговую поддержку на платформе.

Подробнее с программой можно ознакомиться здесь, а заявки на участие принимаются тут.

Подборка открытых вакансий для Data Engineer 🔵

Data Analyst в Авиасейлс
Удаленно

Промпт инженер в Альфа Банк
Гибрид / Офис

NLP-разработчик в Яндекс
Офис в Москве

Middle/Senior ML-разработчик в Т-Банк
Гибрид / Офис

Старший Data Scientist в Авито
Гибрид / Офис в Москве

Senior Data Engineer в Cloudru
Гибрид / Офис в Москве

В России подростки стали чаще откликаться на вакансии в IT

За 2025 год в России подростки разместили почти 840 тысяч резюме – это на 11% больше, чем годом ранее. При этом все больше из них смотрят не только на простые подработки, но и на более сложные и «цифровые» роли.

Во втором полугодии 2025 года подростки стали чаще откликаться на такие позиции, как программист, разработчик – более 49 тысяч откликов.

И сам бизнес стал чуть чаще нанимать подростков на такие должности. Число офферов увеличилось с 1,4 тысячи до более 2 тысяч.

Молодой специалист с опытом работы в 10 лет уже не кажется шуткой 😶

Data Science разработчик в СовкомБанк
Офис в Санкт-Петербурге

Предстоит: Разрабатывать, обучать и внедрять модели классического машинного обучения для банковских задач (скоринг, предсказание оттока, сегментация клиентов, борьба с мошенничеством и т.д.); Проводить эксперименты по повышению качества и сравнивать разные подходы… Узнать подробнее 🔵

ML Engineer в Positive Technology
Удаленно

Предстоит: Искать и реализовывать ML-решения для продукта. Проводить воспроизводимые эксперименты. Уметь обосновывать и рассказывать про них коллегам и бизнесу; Писать читаемый и эффективный продакшен Python-код, проходить и делать ревью… Узнать подробнее 🔵

Почему ИИ-системы ломаются в проде

ИИ-системы довольно часто начинают галлюцинировать постепенно, а не резко, оставаясь формально рабочими. В реальных кейсах проблема не всегда кроется в модели, а в том, как она встроена в среду или в данные:

1️⃣ Одна из самых показательных ошибок – Instacart во время COVID. Модель, показывавшая около 93% точности, просела до 61%, потому что поведение пользователей резко изменилось, а система продолжала опираться на прошлые паттерны, предполагая, что мир стабилен. Это предположение оказалось неверным, а дообучение не поспевало за изменениями.

Похожая история произошла с Zillow. Модель оценки недвижимости продолжала «верить» в рост рынка и системно завышала цены. Ошибка здесь не в конкретном алгоритме, а в игнорировании того, что concept drift – это нормальное состояние, а не редкое исключение.

2️⃣ Деградация модели – стандартный сценарий. Многие исследователи отмечают, что подавляющее большинство моделей со временем ухудшаются, иногда очень существенно. Даже регулярное переобучение не гарантирует стабильности, потому что оно не решает проблему, если само распределение данных уже изменилось. Часто система просто не успевает адаптироваться.

3️⃣ Отдельный класс проблем связан с тем, что модель в ноутбуке и модель в проде – это разные вещи. На этапе разработки фичи могут выглядеть корректно, но в продакшене они считаются иначе или оказываются недоступны. Возникает разрыв между обучением и инференсом, который не всегда очевиден. В результате модель, показывающая отличные метрики на тесте, начинает вести себя заметно хуже в реальных условиях.

4️⃣ Иногда проблема глубже и касается самой природы обучения. Известный случай с футбольной камерой, которая следила не за мячом, а за лысиной судьи. Модель не «понимает» задачу, а лишь находит статистические закономерности. Если в данных есть устойчивый, но нерелевантный сигнал, модель будет использовать именно его.

5️⃣ Много сбоев возникает и на уровне инфраструктуры. Обновление библиотеки может неожиданно сломать загрузку модели или изменить ее поведение. Причина обычно в отсутствии зафиксированных зависимостей и контролируемой среды выполнения. В таких случаях проблема выглядит как баг, но по сути это следствие отсутствия воспроизводимости.

В эту же копилку: в продакшен попадает просто не та модель, например, когда в системе оказывается неверная версия. Такие ошибки возникают, когда артефакты моделей не проходят строгую валидацию, а процессы деплоя не учитывают специфику ML.

6️⃣ Отдельная проблема – мониторинг. В некоторых кейсах компании замечали проблемы слишком поздно, когда они уже приводили к финансовым потерям. Часто отслеживаются технические метрики, но не бизнес-результат. Система может работать «по метрикам», но при этом ухудшать ключевые показатели.

7️⃣ Даже выбор «лучшей» модели не всегда оптимален. Есть кейс, где более точная модель ухудшила конверсию из-за увеличения времени отклика. Оптимизация только по качеству предсказаний без учета latency и UX привела к парадоксальным результатам.

Небольшое напоминание: сбои возникают там, где предполагается стабильность данных, где пайплайны не синхронизированы, где мониторинг формален и где бизнес-контекст оказывается вне фокуса.

Middle ML Engineer в Just AI
Удаленно / Гибрид / Офис в Санкт-Петербурге

Предстоит: Участие в ML-исследованиях: анализ задачи, экспериментирование, подготовка к внедрению; Работа над оптимизацией инференса моделей (знакомство с ONNX, квантизацией)… Узнать подробнее 🔵

Подборка открытых вакансий 🔵

Middle NLP Engineer в Золотое яблоко
Гибрид / Офис в Москве

Senior Data Analyst в Магнит Tech
Удаленно / Гибрид / Офис в Москве, Краснодаре

Senior AI Engineer в Yadro
Удаленно / Гибрид / Офис в Москве, Санкт-Петербурге, Минске, Нижнем Новгороде

Middle Data Analyst в Korona Tech
Удаленно / Гибрид / Офис

Senior Data Analyst в ВТБ
Гибрид / Офис в Москве

Инженер по роботизации процессов (RPA) в Теле2
Гибрид / Офис в Москве

AI-рынок 2026: вакансий в 3 раза больше, чем инженеров

Аналитики подсчитали, что в 2026 спрос на AI-специалистов стал дефицитным. За год было опубликовано около 1,6 млн вакансий по всему миру, при этом насчитывается лишь 518 тысяч квалифицированных специалистов.

Поэтому неудивительно, что 72% компаний прямо говорят о сложностях с наймом. При этом найм AI/ML-специалистов увеличился на 88% по сравнению с прошлым годом, и спрос уже вышел за пределы классических тех-компаний.

Если смотреть на зарплаты, то картина следующая:
➖Диапазон зарплат у AI Architect $142 тысяч – $196 тысяч
➖AI/ML Engineer $134 тысяч – $193 тысяч
➖Data Scientist $121 тысяч – $182 тысяч
➖AI/ML Analyst $119 тысяч – $174 тысяч

Кстати, работодатели также назвали те роли, которым готовы выплачивать еще бОльшую премию. Итак, максимальный рост зарплат был замечен у специалистов в области LLM, MLOps и AI governance.

Вайб у ИИ-разработчиков сейчас такой 🤑