Позиция: DS junior+ (Causal Inference & Econometrics)
Компания: Х5 Group
Формат: Полный занятость (40 часов в неделю).
Локация: Удаленная работа (но по желанию можно работать из офиса БЦ Оазис, г. Москва)
Вилка: 260к-360к gross + 20% премия от годового оклада
💡Команда ad-hoc аналитики из X5 (Пятерочка, Перекресток, Чижик и т.д.) в поисках опытных DS-спецов с уклоном в Causal Inference и прикладную эконометрику
🔬Почему у нас интересно?
Более 29 тысяч магазинов, 50 миллионов клиентов, петабайты данных - и все это нужно анализировать
Ты будешь работать в команде нового стрима - никакого легаси, много интересных исследовательских задач - большая часть работы будет именно про 'рисеч': разбор бизнес-механик и формулирование причинных гипотез, чтение свежих статей и имплементация методов оттуда, сравнение этих методов между собой
🔭Чем у нас предстоит заниматься?
- End-to-end разработкой методологий и инструментов для оценки эффектов в случае, когда классические A/B-тесты неприменимы
- Внедрением продвинутых эконометрических подходов для улучшения текущих методологий (например, сейчас пытаемся внедрить инструментальные переменные там, где это возможно)
- Написанием статей по итогам особо интересных задачек
Примеры уже решенных задач - оценка эффекта различных продуктов лояльности (Пакет, Апельсин, Клубы, Food.ru) на траты клиента
😎Ты нам подходишь, если ты:
- Имеешь опыт работы в DS-сфере от года
- Имеешь бэкграунд в Causal Inference / эконометрике (наука, учеба, работа)
- Знаешь, что такое эндогенность, из-за чего она может возникать и как с ней бороться
- Можешь отличить конфаундер от инструмента
- Можешь нарисовать DAG для конкретного DGP, сможешь на нем найти коллайдеры и медиаторы
- Знаком с современными подходами к анализу кросс-секционных и панельных данных (Doubly Robust Estimators (AIPW), DiD, TWFE, IV)
- Умеешь писать чистый и структурированный код на Python, знаешь классические алгоритмы и структуры данных
- Знаешь SQL - умеешь строить оптимальные запросы, знакомство с hadoop-стэком будет плюсом;
🎁Что мы предлагаем:
- возможность работать удалённо или в гибридном формате;
- ежеквартальные премии по результатам работы;
- удобный офис рядом с м. «Добрынинская» / удобный офис с бесплатной парковкой на м. «Волгоградский проспект» / МЦД «Калитники»
- гибкий график работы (с 8/9/10 утра) / График работы: 5/2, с 9:00 до 18:15 (в пятницу — до 17:00);
- широкий пакет ДМС (включая выезд за рубеж и стоматологию), страхование жизни и здоровья;
- возможность учиться и развиваться за счёт компании;
- программы мотивации для спикеров и авторов;
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги.
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои резюме в формате "Фамилия Имя Резюме JUNIOR" и вакансию направлять сюда: @Zzzelar
Компания: Х5 Group
Формат: Полный занятость (40 часов в неделю).
Локация: Удаленная работа (но по желанию можно работать из офиса БЦ Оазис, г. Москва)
Вилка: 260к-360к gross + 20% премия от годового оклада
💡Команда ad-hoc аналитики из X5 (Пятерочка, Перекресток, Чижик и т.д.) в поисках опытных DS-спецов с уклоном в Causal Inference и прикладную эконометрику
🔬Почему у нас интересно?
Более 29 тысяч магазинов, 50 миллионов клиентов, петабайты данных - и все это нужно анализировать
Ты будешь работать в команде нового стрима - никакого легаси, много интересных исследовательских задач - большая часть работы будет именно про 'рисеч': разбор бизнес-механик и формулирование причинных гипотез, чтение свежих статей и имплементация методов оттуда, сравнение этих методов между собой
🔭Чем у нас предстоит заниматься?
- End-to-end разработкой методологий и инструментов для оценки эффектов в случае, когда классические A/B-тесты неприменимы
- Внедрением продвинутых эконометрических подходов для улучшения текущих методологий (например, сейчас пытаемся внедрить инструментальные переменные там, где это возможно)
- Написанием статей по итогам особо интересных задачек
Примеры уже решенных задач - оценка эффекта различных продуктов лояльности (Пакет, Апельсин, Клубы, Food.ru) на траты клиента
😎Ты нам подходишь, если ты:
- Имеешь опыт работы в DS-сфере от года
- Имеешь бэкграунд в Causal Inference / эконометрике (наука, учеба, работа)
- Знаешь, что такое эндогенность, из-за чего она может возникать и как с ней бороться
- Можешь отличить конфаундер от инструмента
- Можешь нарисовать DAG для конкретного DGP, сможешь на нем найти коллайдеры и медиаторы
- Знаком с современными подходами к анализу кросс-секционных и панельных данных (Doubly Robust Estimators (AIPW), DiD, TWFE, IV)
- Умеешь писать чистый и структурированный код на Python, знаешь классические алгоритмы и структуры данных
- Знаешь SQL - умеешь строить оптимальные запросы, знакомство с hadoop-стэком будет плюсом;
🎁Что мы предлагаем:
- возможность работать удалённо или в гибридном формате;
- ежеквартальные премии по результатам работы;
- удобный офис рядом с м. «Добрынинская» / удобный офис с бесплатной парковкой на м. «Волгоградский проспект» / МЦД «Калитники»
- гибкий график работы (с 8/9/10 утра) / График работы: 5/2, с 9:00 до 18:15 (в пятницу — до 17:00);
- широкий пакет ДМС (включая выезд за рубеж и стоматологию), страхование жизни и здоровья;
- возможность учиться и развиваться за счёт компании;
- программы мотивации для спикеров и авторов;
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги.
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои резюме в формате "Фамилия Имя Резюме JUNIOR" и вакансию направлять сюда: @Zzzelar
❤8🥴4👍2👎2🤡2
Позиция:Senior DS
Компания: Х5 Group
Формат: Полный занятость (40 часов в неделю).
Локация: Удаленная работа (но по желанию можно работать из офиса БЦ Оазис, г. Москва)
Вилка: 300к-500к
💡Команда ad-hoc аналитики из X5 Group (Пятерочка, Перекресток, Чижик и etc) в поисках опытных DS-спецов!
🔬Почему у нас интересно?
Более 29 тысяч магазинов, 50 миллионов клиентов, петабайты данных - и все это нужно анализировать.
Каждый день мы показываем, что наши супермаркеты - на самом деле цифровой проект, в котором большое место занимают Big Data и Data-Driven подход.
Ты будешь работать в стриме оценки финансовой эффективности инвестиционных инициатив.
🔭Чем у нас предстоит заниматься?
- дизайны и оценки нестандартных экспертиментов через A/B (с обычными у нас платформа справляется);
- end-to-end разработка методологий и инструментов для оценки эффектов в случае, когда классические A/B-тесты неприменимы;
- полноценные рисерчи, чтобы применять лучшие инструменты в индустрии;
- писать интересные статьи по результатам выполненных задач и не только.
😎Ты нам подходишь, если ты:
- Имеешь опыт работы в DS-сфере от двух лет;
- Имеешь бэкграунд в Causal Inference / эконометрике (наука, учеба, работа);
- Владение базовым финансовым аппаратом (EBITDA, IRR, NPV, ТЭО) и понимание логики построения финансовых моделей инвестиционных проектов;
- Знаком с современными подходами к анализу кросс-секционных и панельных данных (Doubly Robust Estimators (AIPW), DiD, TWFE, IV);
- Умеешь писать чистый и структурированный код на Python, знаешь классические алгоритмы и структуры данных;
- Знаешь SQL - умеешь строить оптимальные запросы, знакомство с hadoop-стэком будет плюсом;
- A/B тесты, генерация и проверка гипотез (будет плюсом опыт с variance reduction, CUPED, линеаризацией и методом бакетов);
- Будет преимуществом: опыт работы с (docker, kubernetes, pyspark, kafka, postgres, airflow).
🎁Что мы предлагаем:
- возможность работать удалённо или в гибридном формате;
- ежеквартальные премии по результатам работы;
- удобный офис рядом с м. «Добрынинская» / удобный офис с бесплатной парковкой на м. «Волгоградский проспект» / МЦД «Калитники»
- гибкий график работы (с 8/9/10 утра) / График работы: 5/2, с 9:00 до 18:15 (в пятницу — до 17:00);
- широкий пакет ДМС (включая выезд за рубеж и стоматологию), страхование жизни и здоровья;
- возможность учиться и развиваться за счёт компании;
- программы мотивации для спикеров и авторов;
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги.
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои резюме в формате "Фамилия Имя Резюме SENIOR" и вакансию направлять сюда: @Zzzelar
Компания: Х5 Group
Формат: Полный занятость (40 часов в неделю).
Локация: Удаленная работа (но по желанию можно работать из офиса БЦ Оазис, г. Москва)
Вилка: 300к-500к
💡Команда ad-hoc аналитики из X5 Group (Пятерочка, Перекресток, Чижик и etc) в поисках опытных DS-спецов!
🔬Почему у нас интересно?
Более 29 тысяч магазинов, 50 миллионов клиентов, петабайты данных - и все это нужно анализировать.
Каждый день мы показываем, что наши супермаркеты - на самом деле цифровой проект, в котором большое место занимают Big Data и Data-Driven подход.
Ты будешь работать в стриме оценки финансовой эффективности инвестиционных инициатив.
🔭Чем у нас предстоит заниматься?
- дизайны и оценки нестандартных экспертиментов через A/B (с обычными у нас платформа справляется);
- end-to-end разработка методологий и инструментов для оценки эффектов в случае, когда классические A/B-тесты неприменимы;
- полноценные рисерчи, чтобы применять лучшие инструменты в индустрии;
- писать интересные статьи по результатам выполненных задач и не только.
😎Ты нам подходишь, если ты:
- Имеешь опыт работы в DS-сфере от двух лет;
- Имеешь бэкграунд в Causal Inference / эконометрике (наука, учеба, работа);
- Владение базовым финансовым аппаратом (EBITDA, IRR, NPV, ТЭО) и понимание логики построения финансовых моделей инвестиционных проектов;
- Знаком с современными подходами к анализу кросс-секционных и панельных данных (Doubly Robust Estimators (AIPW), DiD, TWFE, IV);
- Умеешь писать чистый и структурированный код на Python, знаешь классические алгоритмы и структуры данных;
- Знаешь SQL - умеешь строить оптимальные запросы, знакомство с hadoop-стэком будет плюсом;
- A/B тесты, генерация и проверка гипотез (будет плюсом опыт с variance reduction, CUPED, линеаризацией и методом бакетов);
- Будет преимуществом: опыт работы с (docker, kubernetes, pyspark, kafka, postgres, airflow).
🎁Что мы предлагаем:
- возможность работать удалённо или в гибридном формате;
- ежеквартальные премии по результатам работы;
- удобный офис рядом с м. «Добрынинская» / удобный офис с бесплатной парковкой на м. «Волгоградский проспект» / МЦД «Калитники»
- гибкий график работы (с 8/9/10 утра) / График работы: 5/2, с 9:00 до 18:15 (в пятницу — до 17:00);
- широкий пакет ДМС (включая выезд за рубеж и стоматологию), страхование жизни и здоровья;
- возможность учиться и развиваться за счёт компании;
- программы мотивации для спикеров и авторов;
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги.
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои резюме в формате "Фамилия Имя Резюме SENIOR" и вакансию направлять сюда: @Zzzelar
👎20🤡7🔥4❤2🤔1
Позиция: Middle/Senior Quant Researcher
Куда? QST (Quantstellation), Бутиковый prop HFT-фонд, TradFi (Derivatives)
Формат работы: Гибрид или релокация: Лимасол (Кипр) / Москва.
Вилка: $7,000–$15,000 net + бонус из profit-пула по прозрачной PnL-формуле.
Что нужно делать?
• Выстраивать альфу с нуля, а не просто итерировать чужие пайплайны.
• Искать неэффективности на крупнейших биржах (CME, Eurex, NSE, KRX) с фокусом на деривативы (фьючерсы и опционы).
• Заниматься исключительно ресерчем на Python (писать на C++ не нужно, это закрывает команда Quant Dev).
• Проверять гипотезы, тестировать стратегии и доводить их до продакшена в рамках выстроенного in-house pipeline.
Требования:
• Сильная математическая база и глубокое понимание методов машинного обучения.
• Уверенное владение Python как основным инструментом для ресерча.
• Желателен опыт в TradFi, но кандидаты с сильным бэкграундом в крипте также рассматриваются.
• Подтвержденный трек-рекорд: высокий рейтинг на соревновательных площадках, медали Kaggle или сильный академический бэкграунд.
Ответы на 10 важных вопросов:
1. Данные: Исторические и real-time рыночные данные с крупнейших мировых бирж + крипта как дополнительная компонента.
2. Железо: Своя платформа, FPGA и собственный GPU-кластер для обучения тяжелых моделей.
3. Масштаб влияния на core-бизнес? Фонд 18 лет торгует на свои деньги (без внешних LP) с объемом >$80B в месяц. Ваши стратегии — это прямой PnL компании.
4. Уровень развития DS/Quant в компании? Топовый. Полный research-to-production pipeline под одной крышей с минимальным путем от гипотезы до продакшена.
5. Роль ресерчера: Максимальная фокусировка на генерации альфы на Python. Внедрением в железо и оптимизацией занимается сильная команда разработчиков. Здесь вместе ищут альфу, а не конкурируют изолированными командами.
6. Бэкграунд у вашего руководителя? Фаундеры — выходцы с мехмата МГУ. Anton Ragin (Co-Founder). В команде работают Kaggle Masters+, PhD и выпускники ШАД. Средний стаж в компании >6 лет.
7. Как часто вам будут мешать работать? Плоская структура и отсутствие бюрократии. Гибкий график, классические 40 часов в неделю, без работы по выходным.
8. Карьерный рост: Прозрачная PnL-формула. Успешные стратегии генерируют апсайд в «иксах» от фикса — никаких искусственных потолков в доходе.
9. Prod/Research: Applied Research с очень быстрой доставкой в Prod.
10. Функция сервиса или лидера? Безусловный лидер. Вы генерируете профит, инфраструктура работает на вас.
✈️ TG: @QuantScout
Куда? QST (Quantstellation), Бутиковый prop HFT-фонд, TradFi (Derivatives)
Формат работы: Гибрид или релокация: Лимасол (Кипр) / Москва.
Вилка: $7,000–$15,000 net + бонус из profit-пула по прозрачной PnL-формуле.
Что нужно делать?
• Выстраивать альфу с нуля, а не просто итерировать чужие пайплайны.
• Искать неэффективности на крупнейших биржах (CME, Eurex, NSE, KRX) с фокусом на деривативы (фьючерсы и опционы).
• Заниматься исключительно ресерчем на Python (писать на C++ не нужно, это закрывает команда Quant Dev).
• Проверять гипотезы, тестировать стратегии и доводить их до продакшена в рамках выстроенного in-house pipeline.
Требования:
• Сильная математическая база и глубокое понимание методов машинного обучения.
• Уверенное владение Python как основным инструментом для ресерча.
• Желателен опыт в TradFi, но кандидаты с сильным бэкграундом в крипте также рассматриваются.
• Подтвержденный трек-рекорд: высокий рейтинг на соревновательных площадках, медали Kaggle или сильный академический бэкграунд.
Ответы на 10 важных вопросов:
1. Данные: Исторические и real-time рыночные данные с крупнейших мировых бирж + крипта как дополнительная компонента.
2. Железо: Своя платформа, FPGA и собственный GPU-кластер для обучения тяжелых моделей.
3. Масштаб влияния на core-бизнес? Фонд 18 лет торгует на свои деньги (без внешних LP) с объемом >$80B в месяц. Ваши стратегии — это прямой PnL компании.
4. Уровень развития DS/Quant в компании? Топовый. Полный research-to-production pipeline под одной крышей с минимальным путем от гипотезы до продакшена.
5. Роль ресерчера: Максимальная фокусировка на генерации альфы на Python. Внедрением в железо и оптимизацией занимается сильная команда разработчиков. Здесь вместе ищут альфу, а не конкурируют изолированными командами.
6. Бэкграунд у вашего руководителя? Фаундеры — выходцы с мехмата МГУ. Anton Ragin (Co-Founder). В команде работают Kaggle Masters+, PhD и выпускники ШАД. Средний стаж в компании >6 лет.
7. Как часто вам будут мешать работать? Плоская структура и отсутствие бюрократии. Гибкий график, классические 40 часов в неделю, без работы по выходным.
8. Карьерный рост: Прозрачная PnL-формула. Успешные стратегии генерируют апсайд в «иксах» от фикса — никаких искусственных потолков в доходе.
9. Prod/Research: Applied Research с очень быстрой доставкой в Prod.
10. Функция сервиса или лидера? Безусловный лидер. Вы генерируете профит, инфраструктура работает на вас.
✈️ TG: @QuantScout
❤15🤣14🔥4👍3💩3🤮2💯1
Позиция: Senior Data Scientist
Куда? Авито, Item2param
Формат работы: полная удаленка или офис, на выбор
Вилка гросс: 363 000 - 524 000 gross + 15% премия (условия обсуждаются индивидуально по результатам технических интервью)
О нас:
Мы разрабатываем платформу, автоматически предсказывающую более 2000 параметров объявления на момент подачи (категории, атрибуты, бренды). Данные параметры критичны для всех бизнес направлений Авито: поиска, модерации, монетизации, SEO. Мы обеспечиваем максимально эффективные предсказания в условиях высокой нагрузки, а также быструю адаптацию моделей под новые сценарии.
Что нужно делать?
• Разрабатывать сложные нейросети (text, image) c нуля на Pytorch - предобучение, finetuning, оптимизация
• Осуществлять внедрение нейросетей в сервис, настраивать мониторинг, решать технические проблемы
• Вести бизнес-процессы до получения результата
• Курировать младших коллег
Требования:
• Отличное знание Pytorch
• Опыт работы с большими нейросетевыми моделями, организации production процессов
• Работа на результат
• Будет плюсом: успехи в соревнованиях/Kaggle
Ответы на 10 важных вопросов:
1. Данные: Большие исторические данные по объявлениям (текст, изображения), обучение на несколько видов разметок
2. Железо: Кластер с H100 для dev и prod
3. Масштаб влияния на core-бизнес? Платформа Item2param имеет статус Business Critical и первостепенную поддержку. На систему атрибутов завязаны ключевые бизнес-процессы - Поиск, Монетизация, Модерация, SEO.
4. Уровень развития Data Science в компании? Высокий. DS команды делятся на вертикальные (подвязаны к бизнес-линии) и горизонтальные (разрабатывают инструменты для всех DS команд).
5. Роль дата сайентиста: Фокус не на конкретные ML-задачи, а на платформенные улучшения (напр., предобучить базовый чекпоинт с нуля, расширить функционал библиотеки для пользователей, улучшить процесс сбора данных для мониторинга) с целью внедрить функционал в сервис. Поддержка продакшн-процессов совместно с MLOps и Backend. По необходимости - поддержка пользователей платформы (DS, аналитики, контент-менеджеры).
6. Бэкграунд у вашего руководителя? Kaggle Competition Master, Linkedin
7. Как часто вам будут мешать работать? Дейли раз в день на 20 минут, орг встречи по необходимости
8. Карьерный рост: Руководитель поддерживает активную прокачку по хард и софт скиллам: составляем план развития и совместно по нему идем. Перфоманс-ревью раз в полгода
9. Prod/Research: 70% prod / 30% research. Активно разрабатываем SOTA подходы к задачам, однако с упором на промышленное внедрение
10. Функция сервиса или лидера? 50% сервис / 50% лидер. Есть существенный запрос на самостоятельное ведение ключевых бизнес-кейсов до внедрения в продакшн, поддержка в развитии других коллег и шеринг экспертизы.
Резюме отправляйте на oasidorshin@avito.ru с темой "Senior DS в Item2param"
Куда? Авито, Item2param
Формат работы: полная удаленка или офис, на выбор
Вилка гросс: 363 000 - 524 000 gross + 15% премия (условия обсуждаются индивидуально по результатам технических интервью)
О нас:
Мы разрабатываем платформу, автоматически предсказывающую более 2000 параметров объявления на момент подачи (категории, атрибуты, бренды). Данные параметры критичны для всех бизнес направлений Авито: поиска, модерации, монетизации, SEO. Мы обеспечиваем максимально эффективные предсказания в условиях высокой нагрузки, а также быструю адаптацию моделей под новые сценарии.
Что нужно делать?
• Разрабатывать сложные нейросети (text, image) c нуля на Pytorch - предобучение, finetuning, оптимизация
• Осуществлять внедрение нейросетей в сервис, настраивать мониторинг, решать технические проблемы
• Вести бизнес-процессы до получения результата
• Курировать младших коллег
Требования:
• Отличное знание Pytorch
• Опыт работы с большими нейросетевыми моделями, организации production процессов
• Работа на результат
• Будет плюсом: успехи в соревнованиях/Kaggle
Ответы на 10 важных вопросов:
1. Данные: Большие исторические данные по объявлениям (текст, изображения), обучение на несколько видов разметок
2. Железо: Кластер с H100 для dev и prod
3. Масштаб влияния на core-бизнес? Платформа Item2param имеет статус Business Critical и первостепенную поддержку. На систему атрибутов завязаны ключевые бизнес-процессы - Поиск, Монетизация, Модерация, SEO.
4. Уровень развития Data Science в компании? Высокий. DS команды делятся на вертикальные (подвязаны к бизнес-линии) и горизонтальные (разрабатывают инструменты для всех DS команд).
5. Роль дата сайентиста: Фокус не на конкретные ML-задачи, а на платформенные улучшения (напр., предобучить базовый чекпоинт с нуля, расширить функционал библиотеки для пользователей, улучшить процесс сбора данных для мониторинга) с целью внедрить функционал в сервис. Поддержка продакшн-процессов совместно с MLOps и Backend. По необходимости - поддержка пользователей платформы (DS, аналитики, контент-менеджеры).
6. Бэкграунд у вашего руководителя? Kaggle Competition Master, Linkedin
7. Как часто вам будут мешать работать? Дейли раз в день на 20 минут, орг встречи по необходимости
8. Карьерный рост: Руководитель поддерживает активную прокачку по хард и софт скиллам: составляем план развития и совместно по нему идем. Перфоманс-ревью раз в полгода
9. Prod/Research: 70% prod / 30% research. Активно разрабатываем SOTA подходы к задачам, однако с упором на промышленное внедрение
10. Функция сервиса или лидера? 50% сервис / 50% лидер. Есть существенный запрос на самостоятельное ведение ключевых бизнес-кейсов до внедрения в продакшн, поддержка в развитии других коллег и шеринг экспертизы.
Резюме отправляйте на oasidorshin@avito.ru с темой "Senior DS в Item2param"
🔥21🤮6❤5👍5
Позиция: Middle / Middle+ / Senior Data Scientist
Куда: Альфа-Банк, Департамент Разработки Моделей, Розничный Бизнес
Формат работы: гибрид — Москва, м. Технопарк + удаленно
Вилка gross: 200 000 – 400 000 ₽/мес
Что нужно делать?
• Участие в проекте умного ценообразования банковских продуктов в роли разработчика моделей;
• Полный цикл разработки моделей: сбор данных, проектирование и реализация различных архитектур моделей, обучение, валидация и вывод в прод;
• Разработка моделей для оценки эффекта воздействия, в основном uplift-моделей;
• Анализ A/B-тестов и оценка влияния моделей на бизнес-метрики;
• Работа с большими объемами банковских данных, создание новых признаков и их применение в моделях;
• Генерация и проверка гипотез, улучшение качества моделей и поиск новых подходов к решению бизнес-задач.
Требования:
• Middle / Middle+ / Senior DS с опытом разработки моделей полного цикла;
• Опыт работы с uplift-моделями будет преимуществом;
• Глубокие знания математики, теории вероятностей и математической статистики;
• Хорошее знание методов машинного обучения;
• Умение работать с данными: анализ, очистка, подготовка, отбор и создание признаков;
• Уверенное знание Python и библиотек для анализа данных и машинного обучения: pandas, scikit-learn, scipy, xgboost, lightgbm и т.п.;
• Понимание A/B-тестирования и методов оценки эффекта;
• Умение связывать технические решения с бизнес-задачами и учитывать специфику доменной области;
• Развитое логическое мышление;
• Опыт участия в хакатонах будет плюсом.
Что предлагаем:
• Интересные задачи и дружный коллектив;
• Feature Store и AutoML — baseline-решения из коробки;
• Автоматизированные сервисы по выводу моделей в пром;
• Максимум исследования и минимум бюрократии и рутины;
• Возможность влиять на решения в розничном бизнесе Альфа-Банка.
Ответы на 10 важных вопросов:
1. Данные: обычно Hadoop — все данные Альфа-Банка + внешние источники по API. Часть данных может быть в Oracle.
2. Железо: kuber до 64 ядер + 512 ГБ оперативы. Хадуп — 6TB, 1000+ ядер. Продакшн: система исполнения моделей + команда MLOps. Для работы: ноутбук + удалённое рабочее место.
3. Масштаб влияния на core-бизнес: модели влияют на ключевые банковские процессы и продуктовые решения в розничном бизнесе, в том числе на умное ценообразование банковских продуктов.
4. Уровень развития Data Science в компании: все линии бизнеса покрыты ML-моделями, где необходимо — успешно внедрен DL.
5. Роль дата-сайентиста: ДС-ы участвуют в постановке задачи, совместно с командой разработки генерят идеи развития. ДС-ы подготавливают код для внедрения в прод, выполняют функцию сопровождения сервиса для пользователей.
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: внутренние созвоны с командой и заказчиками, основной фокус — на разработке моделей, исследованиях и внедрении.
8. Карьерный рост: формализована матрица компетенций. Ежеквартально происходят «круглые столы» с пересмотром и защитой.
9. Prod / Research: Prod 80%.
10. Функция сервиса или лидера: сервис/лидер — 70%/30%.
📧 Отправить CV: @lisenokDan
Куда: Альфа-Банк, Департамент Разработки Моделей, Розничный Бизнес
Формат работы: гибрид — Москва, м. Технопарк + удаленно
Вилка gross: 200 000 – 400 000 ₽/мес
Что нужно делать?
• Участие в проекте умного ценообразования банковских продуктов в роли разработчика моделей;
• Полный цикл разработки моделей: сбор данных, проектирование и реализация различных архитектур моделей, обучение, валидация и вывод в прод;
• Разработка моделей для оценки эффекта воздействия, в основном uplift-моделей;
• Анализ A/B-тестов и оценка влияния моделей на бизнес-метрики;
• Работа с большими объемами банковских данных, создание новых признаков и их применение в моделях;
• Генерация и проверка гипотез, улучшение качества моделей и поиск новых подходов к решению бизнес-задач.
Требования:
• Middle / Middle+ / Senior DS с опытом разработки моделей полного цикла;
• Опыт работы с uplift-моделями будет преимуществом;
• Глубокие знания математики, теории вероятностей и математической статистики;
• Хорошее знание методов машинного обучения;
• Умение работать с данными: анализ, очистка, подготовка, отбор и создание признаков;
• Уверенное знание Python и библиотек для анализа данных и машинного обучения: pandas, scikit-learn, scipy, xgboost, lightgbm и т.п.;
• Понимание A/B-тестирования и методов оценки эффекта;
• Умение связывать технические решения с бизнес-задачами и учитывать специфику доменной области;
• Развитое логическое мышление;
• Опыт участия в хакатонах будет плюсом.
Что предлагаем:
• Интересные задачи и дружный коллектив;
• Feature Store и AutoML — baseline-решения из коробки;
• Автоматизированные сервисы по выводу моделей в пром;
• Максимум исследования и минимум бюрократии и рутины;
• Возможность влиять на решения в розничном бизнесе Альфа-Банка.
Ответы на 10 важных вопросов:
1. Данные: обычно Hadoop — все данные Альфа-Банка + внешние источники по API. Часть данных может быть в Oracle.
2. Железо: kuber до 64 ядер + 512 ГБ оперативы. Хадуп — 6TB, 1000+ ядер. Продакшн: система исполнения моделей + команда MLOps. Для работы: ноутбук + удалённое рабочее место.
3. Масштаб влияния на core-бизнес: модели влияют на ключевые банковские процессы и продуктовые решения в розничном бизнесе, в том числе на умное ценообразование банковских продуктов.
4. Уровень развития Data Science в компании: все линии бизнеса покрыты ML-моделями, где необходимо — успешно внедрен DL.
5. Роль дата-сайентиста: ДС-ы участвуют в постановке задачи, совместно с командой разработки генерят идеи развития. ДС-ы подготавливают код для внедрения в прод, выполняют функцию сопровождения сервиса для пользователей.
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: внутренние созвоны с командой и заказчиками, основной фокус — на разработке моделей, исследованиях и внедрении.
8. Карьерный рост: формализована матрица компетенций. Ежеквартально происходят «круглые столы» с пересмотром и защитой.
9. Prod / Research: Prod 80%.
10. Функция сервиса или лидера: сервис/лидер — 70%/30%.
📧 Отправить CV: @lisenokDan
💩20😁8👍5❤1🤣1
Позиция: Senior/Middle+ AI Engineer (NLP/LLM Agents)
Куда: Сбер, Команда Автономного кампейнинга
Формат работы: офис + гибрид — Москва, современный офис
Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать?
• Разрабатывать и внедрять AI-агентов, рекомендательные системы и NLP-решения на базе Transformer
• Кастомизировать LLM (RAG, векторизация, извлечение сущностей) и строить reasoning-цепочки
• Вести полный цикл: от экспериментов на Jupyter до масштабируемых MLOps-процессов в продакшене
• Работать с большими данными (Spark, Hadoop, Hive) и интегрировать модели в смежные сервисы
Требования:
• 3+ лет в машинном обучении с реализованными и внедрёнными решениями
• Опыт работы с агентами и LLM (LangGraph, PyTorch)
• Уверенный Python, прод-код, Big Data стек
• Знакомство с Kubernetes, Docker
• Самостоятельность, проактивность, умение доводить гипотезы до результата
Что предлагаем:
• Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии
• Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+%
• Доступ к огромным данным и вычислительным мощностям Сбера
• Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов:
1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API
2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM
3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L
4. Уровень развития AI-инженерии в компании: все бизнес-линии покрыты ML, глубоко внедрены DL и NLP, строятся автономные мультиагентные системы
5. Роль AI-инженера: AI Engineer отвечает за создание и внедрение агентов и NLP-решений от замысла до прод-мониторинга, участвует в постановке задач и аналитике пилотов
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю
8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов
9. Prod/Research: 50/50
10. Функция сервиса или лидера: сервисная – разработка и поддержка AI-ядра
📧 Отправить CV: boychenko.a.a@sber.ru, тема «AI Engineer в Автономный кампейнинг», или TG @aries51
Куда: Сбер, Команда Автономного кампейнинга
Формат работы: офис + гибрид — Москва, современный офис
Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать?
• Разрабатывать и внедрять AI-агентов, рекомендательные системы и NLP-решения на базе Transformer
• Кастомизировать LLM (RAG, векторизация, извлечение сущностей) и строить reasoning-цепочки
• Вести полный цикл: от экспериментов на Jupyter до масштабируемых MLOps-процессов в продакшене
• Работать с большими данными (Spark, Hadoop, Hive) и интегрировать модели в смежные сервисы
Требования:
• 3+ лет в машинном обучении с реализованными и внедрёнными решениями
• Опыт работы с агентами и LLM (LangGraph, PyTorch)
• Уверенный Python, прод-код, Big Data стек
• Знакомство с Kubernetes, Docker
• Самостоятельность, проактивность, умение доводить гипотезы до результата
Что предлагаем:
• Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии
• Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+%
• Доступ к огромным данным и вычислительным мощностям Сбера
• Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов:
1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API
2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM
3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L
4. Уровень развития AI-инженерии в компании: все бизнес-линии покрыты ML, глубоко внедрены DL и NLP, строятся автономные мультиагентные системы
5. Роль AI-инженера: AI Engineer отвечает за создание и внедрение агентов и NLP-решений от замысла до прод-мониторинга, участвует в постановке задач и аналитике пилотов
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю
8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов
9. Prod/Research: 50/50
10. Функция сервиса или лидера: сервисная – разработка и поддержка AI-ядра
📧 Отправить CV: boychenko.a.a@sber.ru, тема «AI Engineer в Автономный кампейнинг», или TG @aries51
💩50😁14🤣13❤2
Позиция: Middle/Middle+ Data Analyst (GenAI / Product Analyst)
Куда: Сбер, Команда Автономного кампейнинга
Формат работы: офис + гибрид — Москва, современный офис
Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать?
• Вести продуктовую аналитику: метрики успеха, воронки, когорты, A/B-тесты для AI-агентов и платформы
• Оценивать эффективность агентов: accuracy, latency, satisfaction, конверсия, P&L
• Искать новые источники данных, проверять гипотезы, влиять на стратегию продукта
• Доносить результаты до команды и бизнеса
Требования:
• 2+ года в продуктовой/бизнес-аналитике
• SQL (оконные функции, план запроса), Python (pandas, scikit-learn)
• Опыт A/B-тестирования, проверки гипотез, анализа воронок
• Умение просто рассказывать о сложных данных
• Будет плюсом: знакомство с LLM, RAG, BigData стеком (Spark, Hive)
Что предлагаем:
• Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии
• Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+%
• Доступ к огромным данным и вычислительным мощностям Сбера
• Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов:
1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API
2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM
3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L
4. Уровень развития продуктовой аналитики в компании: все бизнес-линии покрыты ML, глубоко внедрены DL и NLP, аналитика — ключевой драйвер продуктовых решений
5. Роль аналитика в продукте: аналитик формирует data-driven культуру, обеспечивает метрики для DS и бизнеса, проверяет гипотезы
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю
8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов
9. Prod/Research: 50/50
10. Функция сервиса или лидера: сервисная – обеспечение продуктовых метрик и аналитики
📧 Отправить CV: boychenko.a.a@sber.ru, тема «Data Analyst в Автономный кампейнинг», или TG @aries51
Куда: Сбер, Команда Автономного кампейнинга
Формат работы: офис + гибрид — Москва, современный офис
Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать?
• Вести продуктовую аналитику: метрики успеха, воронки, когорты, A/B-тесты для AI-агентов и платформы
• Оценивать эффективность агентов: accuracy, latency, satisfaction, конверсия, P&L
• Искать новые источники данных, проверять гипотезы, влиять на стратегию продукта
• Доносить результаты до команды и бизнеса
Требования:
• 2+ года в продуктовой/бизнес-аналитике
• SQL (оконные функции, план запроса), Python (pandas, scikit-learn)
• Опыт A/B-тестирования, проверки гипотез, анализа воронок
• Умение просто рассказывать о сложных данных
• Будет плюсом: знакомство с LLM, RAG, BigData стеком (Spark, Hive)
Что предлагаем:
• Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии
• Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+%
• Доступ к огромным данным и вычислительным мощностям Сбера
• Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов:
1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API
2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM
3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L
4. Уровень развития продуктовой аналитики в компании: все бизнес-линии покрыты ML, глубоко внедрены DL и NLP, аналитика — ключевой драйвер продуктовых решений
5. Роль аналитика в продукте: аналитик формирует data-driven культуру, обеспечивает метрики для DS и бизнеса, проверяет гипотезы
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю
8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов
9. Prod/Research: 50/50
10. Функция сервиса или лидера: сервисная – обеспечение продуктовых метрик и аналитики
📧 Отправить CV: boychenko.a.a@sber.ru, тема «Data Analyst в Автономный кампейнинг», или TG @aries51
💩28😁11🤣8🍌2
Позиция: Middle/Middle+ Data Engineer / MLE (Big Data + GenAI)
Куда: Сбер, Команда Автономного кампейнинга
Формат работы: офис + гибрид — Москва, современный офис
Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать?
• Проектировать архитектуру хранилищ (GreenPlum, Hadoop) и аналитических витрин
• Строить ETL/ELT-пайплайны на Spark и Kafka для потоковой и батчевой обработки
• Деплоить мультиагентные системы, мониторить качество данных и отказоустойчивость
• Автоматизировать контроль качества и участвовать в CI/CD
Требования:
• Опыт DE/MLE от 2 лет
• SQL (сложные запросы, оптимизация), Python/Scala + pySpark
• Знание Hadoop, Spark, Hive, Kafka, понимание DevOps
• Ответственное отношение к качеству данных
• Будет плюсом: MLOps, Kubernetes, Docker, опыт real-time обработки
Что предлагаем:
• Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии
• Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+%
• Доступ к огромным данным и вычислительным мощностям Сбера
• Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов:
1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API
2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM
3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L
4. Уровень развития data-инженерии в компании: все бизнес-линии покрыты ML, данные — фундамент для AI-решений
5. Роль data-инженера в продукте: DE/MLE строит фундамент данных, обеспечивает надёжность пайплайнов и качество данных для моделей и аналитики
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю
8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов
9. Prod/Research: 50/50
10. Функция сервиса или лидера: сервисная – поддержка и развитие data-инфраструктуры
📧 Отправить CV: boychenko.a.a@sber.ru, тема «Data Engineer в Автономный кампейнинг», или TG @aries51
Куда: Сбер, Команда Автономного кампейнинга
Формат работы: офис + гибрид — Москва, современный офис
Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать?
• Проектировать архитектуру хранилищ (GreenPlum, Hadoop) и аналитических витрин
• Строить ETL/ELT-пайплайны на Spark и Kafka для потоковой и батчевой обработки
• Деплоить мультиагентные системы, мониторить качество данных и отказоустойчивость
• Автоматизировать контроль качества и участвовать в CI/CD
Требования:
• Опыт DE/MLE от 2 лет
• SQL (сложные запросы, оптимизация), Python/Scala + pySpark
• Знание Hadoop, Spark, Hive, Kafka, понимание DevOps
• Ответственное отношение к качеству данных
• Будет плюсом: MLOps, Kubernetes, Docker, опыт real-time обработки
Что предлагаем:
• Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии
• Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+%
• Доступ к огромным данным и вычислительным мощностям Сбера
• Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов:
1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API
2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM
3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L
4. Уровень развития data-инженерии в компании: все бизнес-линии покрыты ML, данные — фундамент для AI-решений
5. Роль data-инженера в продукте: DE/MLE строит фундамент данных, обеспечивает надёжность пайплайнов и качество данных для моделей и аналитики
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю
8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов
9. Prod/Research: 50/50
10. Функция сервиса или лидера: сервисная – поддержка и развитие data-инфраструктуры
📧 Отправить CV: boychenko.a.a@sber.ru, тема «Data Engineer в Автономный кампейнинг», или TG @aries51
💩44😁10🤣9❤1
Forwarded from
От стажёра до Head of DS: что я узнал, изучив почти 700 карьер в Data Science 🧬
Наконец-то дождались 🗿
Чуть больше года назад вы заполнили мой зарплатный опрос. Я обещал проанализировать результаты, но 695 анкет превратились в технический долг, о котором мне регулярно напоминали в комментариях.
Сегодня я этот долг возвращаю. Кажется, даже с процентами: вместо очередной таблицы «кто сколько получает» получилось большое исследование карьер в Data Science.
Да, за прошедшее время зарплатные вилки успели сдвинуться. Но карьерные зависимости никуда не делись, поэтому статья не только о суммах, а о профессиональном росте, удовлетворённости работой и готовности её сменить.
Внутри вас ждет лонгрид, где в том числе есть ответы на пять не самых очевидных вопросов:
1️⃣ Можно ли удержать недовольного дата-сайентиста высокой зарплатой и запереть его в золотой клетке?
2️⃣ Какие навыки помогут быстрее вырасти в грейде и больше зарабатывать?
3️⃣ Одинаково ли зарабатывают мужчины и женщины с одним грейдом и опытом?
4️⃣ Что дата-сайентисты хотят сказать Head of DS, когда отвечают анонимно?
5️⃣ Как часто дата-сайентисты *** и связано ли это с доходом и удовлетворённостью работой?
Ещё там премии стажёров, ШАД на скейтборде, зарплата CDS до 4,5 млн рублей 😳, переработки и попытка понять, где заканчивается развитие и начинается менеджмент. В анализ вошли 694 анкеты.
Спасибо «Start Career in DS», «DziS Science | Data Science», «girafe.ai», «Artificial stupidity», «LightAutoML framework» и «Борис опять»
👉 Читать на Хабре
Наконец-то дождались 🗿
Чуть больше года назад вы заполнили мой зарплатный опрос. Я обещал проанализировать результаты, но 695 анкет превратились в технический долг, о котором мне регулярно напоминали в комментариях.
Сегодня я этот долг возвращаю. Кажется, даже с процентами: вместо очередной таблицы «кто сколько получает» получилось большое исследование карьер в Data Science.
Да, за прошедшее время зарплатные вилки успели сдвинуться. Но карьерные зависимости никуда не делись, поэтому статья не только о суммах, а о профессиональном росте, удовлетворённости работой и готовности её сменить.
Внутри вас ждет лонгрид, где в том числе есть ответы на пять не самых очевидных вопросов:
Ещё там премии стажёров, ШАД на скейтборде, зарплата CDS до 4,5 млн рублей 😳, переработки и попытка понять, где заканчивается развитие и начинается менеджмент. В анализ вошли 694 анкеты.
Спасибо «Start Career in DS», «DziS Science | Data Science», «girafe.ai», «Artificial stupidity», «LightAutoML framework» и «Борис опять»
👉 Читать на Хабре
Please open Telegram to view this post
VIEW IN TELEGRAM
❤12🔥7❤🔥3👎1
Роль: ML Engineer
Компания: ВИМ Инвестиции
Локация: Москва / офис в сити / гибрид
ЗП: 500-600k gross + годовая премия.
Про нас: №1 на рынке по активам под управлением (>1,2 трлн руб.). У нас крупнейший фонд на Мосбирже #LQDT (>700 млрд руб.) и крупнейший фонд золота #GOLD.
Что предстоит делать:
– Green field (0→1): В новое направление ИИ ищем человека, который будет разрабатывать модели и агентские системы для биржевых фондов и стратегий доверительного управления на локальной (кластер GPU NVidia H200) и облачной инфраструктуре.
– Видеть результат: прямое влияние на доходность продуктов и эффективность бизнес-процессов в организации, а не только на низкоуровневые метрики.
– Kaggle-like: уникальный проект на рынке, интересные прикладные задачи, внедряем cutting-edge технологии, вовлекаем соревновательный элемент.
Требования:
– Не менее 5-и лет опыта в роли MLE / DS.
– Не менее 3-х лет опыта работы с LLM / ML в prod-среде (обязательно).
– Продвинутый уровень владения Python и SQL, знание C++.
– Продвинутый уровень по ML/DL, теории вероятности и статистике.
– Опыт построения агентских систем, экспертное владение LangGraph.
– Знание и практика применения паттернов микро-сервисной архитектуры.
– Знание Git, Scikit-learn, CatBoost, PyTorch, Crawl4AI, Kafka, RabbitMQ, ClickHouse, PostgreSQL, Qdrant / Milvus, Airflow, MLflow.
Ответы на 10 важных вопросов:
1. Данные: биржевые, внешние API, Moex, CBONDS.
2. Железо: 8xNvidia H200
3. Масштаб влияния на core-бизнес: прямое.
4. Уровень развития data-инженерии в компании: аналитическая платформа построена.
5. Роль data-инженера в продукте: MLops строит фундамент данных, обеспечивает надёжность пайплайнов и качество данных для моделей
6. Бэкграунд у вашего руководителя: linkedin
7. Как часто вам будут мешать работать: без бесполезных встреч.
8. Карьерный рост: 2 раза в год возможен пересмотр.
9. Prod/Research: 60/40
10. Функция сервиса или лидера: лидера
Резюме тут в личку: @RomanDsv
Компания: ВИМ Инвестиции
Локация: Москва / офис в сити / гибрид
ЗП: 500-600k gross + годовая премия.
Про нас: №1 на рынке по активам под управлением (>1,2 трлн руб.). У нас крупнейший фонд на Мосбирже #LQDT (>700 млрд руб.) и крупнейший фонд золота #GOLD.
Что предстоит делать:
– Green field (0→1): В новое направление ИИ ищем человека, который будет разрабатывать модели и агентские системы для биржевых фондов и стратегий доверительного управления на локальной (кластер GPU NVidia H200) и облачной инфраструктуре.
– Видеть результат: прямое влияние на доходность продуктов и эффективность бизнес-процессов в организации, а не только на низкоуровневые метрики.
– Kaggle-like: уникальный проект на рынке, интересные прикладные задачи, внедряем cutting-edge технологии, вовлекаем соревновательный элемент.
Требования:
– Не менее 5-и лет опыта в роли MLE / DS.
– Не менее 3-х лет опыта работы с LLM / ML в prod-среде (обязательно).
– Продвинутый уровень владения Python и SQL, знание C++.
– Продвинутый уровень по ML/DL, теории вероятности и статистике.
– Опыт построения агентских систем, экспертное владение LangGraph.
– Знание и практика применения паттернов микро-сервисной архитектуры.
– Знание Git, Scikit-learn, CatBoost, PyTorch, Crawl4AI, Kafka, RabbitMQ, ClickHouse, PostgreSQL, Qdrant / Milvus, Airflow, MLflow.
Ответы на 10 важных вопросов:
1. Данные: биржевые, внешние API, Moex, CBONDS.
2. Железо: 8xNvidia H200
3. Масштаб влияния на core-бизнес: прямое.
4. Уровень развития data-инженерии в компании: аналитическая платформа построена.
5. Роль data-инженера в продукте: MLops строит фундамент данных, обеспечивает надёжность пайплайнов и качество данных для моделей
6. Бэкграунд у вашего руководителя: linkedin
7. Как часто вам будут мешать работать: без бесполезных встреч.
8. Карьерный рост: 2 раза в год возможен пересмотр.
9. Prod/Research: 60/40
10. Функция сервиса или лидера: лидера
Резюме тут в личку: @RomanDsv
🔥8❤5👍2
Позиция: Стажер дата-аналитик
Компания: Х5 Group
Формат: Продолжительность стажировки 6 месяцев (full-time - 40 часов в неделю!)
Локация: Удаленная работа (но по желанию можно работать из офиса, г. Москва)
Вилки: Оклад 100 тыс.руб. gross
Начало стажировки: середина августа 2026
💡Команда ad-hoc аналитики из X5 Group (Пятерочка, Перекресток, Чижик и etc) в поисках стажеров!
🔬Почему у нас интересно?
Более 20 тысяч магазинов, 15 миллионов клиентов, петабайты данных - и все это нужно анализировать. Каждый день мы показываем, что наши супермаркеты - на самом деле цифровой проект, в котором большое место занимают Big Data и Data-Driven подход.
Мы в команде ad-hoc аналитики крутим AB-тесты в оффлайне и не только, с каждым днем все больше прилетает нестандартных задачек, в которых мы используем все свои знания (или быстро их приобретаем), а также у нас можно заниматься рисерчами!
🔭Чем у нас занимаются стажеры?
- Первое время проходят онбординг, запоминают имена ментора и тим-лида и погружаются в курс дела
- Сразу после этого получают свою первую настоящую боевую задачку (и НЕ страдают, так как ментор всегда под рукой) на дизайн или оценку будущего эксперимента
- Продумывают дизайн А/B-тестов на магазинах или лояльных клиентах и интерпретируют их результаты, а также помогают руководителям инициатив (бизнесу) в этом
- Исследуют новые подходы к оценкам А/Б-тестов (для такой задачи преимуществом будет продвинутые знания в области статистики и causal inference)
- Помогают развивать core-библиотеку, созданную для оценки и дизайна А/Б-тестов
- Решают различные ad-hoc запросы (эконометрические задачи, модели прогнозирования, рекомендательные системы и пр.)
😎Ты нам подходишь:
- Если уже загуглил, что такое "ad-hoc" и понял, в чем суть
- Уверенно владеешь Python (pandas, numpy, matplotlib и весь базовый набор для аналитики данных), SQL (join'ы, оконки), знаешь статистику и основы ML
- Обладаешь аналитическим складом ума, наблюдательностью и успешно практикуешь метод пристального взгляда
- Любишь мемы (желательно, но необязательно)
- Преимуществом будет владение бигдатой
☺️Что мы предлагаем:
- Помощь менторов на всем этапе стажировки
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои CV в формате "Фамилия Имя Резюме СТАЖЕР август" и вакансию направлять сюда: tg @Zzzelar
Компания: Х5 Group
Формат: Продолжительность стажировки 6 месяцев (full-time - 40 часов в неделю!)
Локация: Удаленная работа (но по желанию можно работать из офиса, г. Москва)
Вилки: Оклад 100 тыс.руб. gross
Начало стажировки: середина августа 2026
💡Команда ad-hoc аналитики из X5 Group (Пятерочка, Перекресток, Чижик и etc) в поисках стажеров!
🔬Почему у нас интересно?
Более 20 тысяч магазинов, 15 миллионов клиентов, петабайты данных - и все это нужно анализировать. Каждый день мы показываем, что наши супермаркеты - на самом деле цифровой проект, в котором большое место занимают Big Data и Data-Driven подход.
Мы в команде ad-hoc аналитики крутим AB-тесты в оффлайне и не только, с каждым днем все больше прилетает нестандартных задачек, в которых мы используем все свои знания (или быстро их приобретаем), а также у нас можно заниматься рисерчами!
🔭Чем у нас занимаются стажеры?
- Первое время проходят онбординг, запоминают имена ментора и тим-лида и погружаются в курс дела
- Сразу после этого получают свою первую настоящую боевую задачку (и НЕ страдают, так как ментор всегда под рукой) на дизайн или оценку будущего эксперимента
- Продумывают дизайн А/B-тестов на магазинах или лояльных клиентах и интерпретируют их результаты, а также помогают руководителям инициатив (бизнесу) в этом
- Исследуют новые подходы к оценкам А/Б-тестов (для такой задачи преимуществом будет продвинутые знания в области статистики и causal inference)
- Помогают развивать core-библиотеку, созданную для оценки и дизайна А/Б-тестов
- Решают различные ad-hoc запросы (эконометрические задачи, модели прогнозирования, рекомендательные системы и пр.)
😎Ты нам подходишь:
- Если уже загуглил, что такое "ad-hoc" и понял, в чем суть
- Уверенно владеешь Python (pandas, numpy, matplotlib и весь базовый набор для аналитики данных), SQL (join'ы, оконки), знаешь статистику и основы ML
- Обладаешь аналитическим складом ума, наблюдательностью и успешно практикуешь метод пристального взгляда
- Любишь мемы (желательно, но необязательно)
- Преимуществом будет владение бигдатой
☺️Что мы предлагаем:
- Помощь менторов на всем этапе стажировки
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои CV в формате "Фамилия Имя Резюме СТАЖЕР август" и вакансию направлять сюда: tg @Zzzelar
💩25🔥9❤6🤡4👍1👨💻1🗿1
Позиция Senior DS
Куда: Финансовые сервисы Яндекса
Вилка гросс: 350-550 + премия раз в пол года по результатам ревью ~ 120% от оклада
Локация: Москва или Питер, гибрид, удаленка по РФ возможна
Про нас:
ML в Финтехе — это всё машинное обучение финансовых продуктов Яндекса: от кредитного скоринга и управления рисками до маркетинговых моделей, рекомендаций и GenAI-ассистентов. Команда не просто обучает модели, а отвечает за весь их жизненный цикл — от поиска и подготовки данных, обучения и экспериментов до вывода в прод и поддержки стабильности в рантайме. За счёт этого ML напрямую влияет на продукт, а результат меряется бизнес-метриками, а не только офлайн-качеством.
Что предстоит делать?
• Прогнозирование LTV (Lifetime Value) клиентов
С помощью ML-моделей прогнозируем долгосрочную ценность каждого клиента для компании. Это позволяет не просто сегментировать аудиторию, а выстраивать клиентоориентированную стратегию: оптимизировать маркетинговые затраты, разрабатывать персонализированные предложения и, как следствие, напрямую влиять на ключевые финансовые показатели бизнеса.
• Моделирование вероятности оттока клиентов (Churn Prediction)
Удержать существующего клиента дешевле, чем найти нового. Модели прогнозирования оттока — это инструмент для точечного и своевременного вмешательства, позволяющий не только сократить потери, но и гарантировать стабильный поток доходов от основной клиентской базы.
• Построение uplift-моделей для оптимизации коммуникаций
Определяем, для каких пользователей какая коммуникация будет наиболее эффективна. В результате мы минимизируем раздражение от спама и оптимизируем рекламные расходы, повышая эффективность каждой коммуникации.
• Разработка моделей персональных рекомендаций
Персональные рекомендации значительно улучшают пользовательский опыт, помогая клиентам быстрее находить нужное и открывать новые возможности наших сервисов. Это напрямую ведёт к увеличению вовлечённости, глубины использования продукта и конверсии в целевые действия, что в итоге повышает клиентскую лояльность и доход.
• Построение транзакционных эмбеддингов пользователей
Мы строим нейросетевые модели, которые превращают сырую транзакционную активность пользователей — оплаты в сервисах Яндекса, операции по дебетовой карте — в векторные представления поведенческого профиля клиента. Эти универсальные эмбеддинги усиливают качество моделей в самых разных задачах компании.
Требования:
• Понимаете принципы классического ML и работали с ним
• Понимаете принципы DL и работали с ним
• Хорошо знакомы с Python и SQL
• Разрабатывали модели и желательно внедряли их в продакшн
• Готовы отвечать за продакшн-модели в рантайме
Будет плюсом:
• Используете LLM в day-to-day-жизни или pet-проектах
• Понимаете, как устроены LLM
• Понимаете, как устроены RAG- и агентские системы
Ответы на 10 вопросов:
1. Данные: YT - яндексовский аналог Hadoop-стека
2. Железо: YT - 5 PiB, 5000 ядер. Продакшн: MLPlatforma - платформа для раскатки моделей в прод. Для работы: Macbook
3. Масштаб влияния на бизнес: Отвечаем за весь прикладной ML (кроме скоринга) в Яндекс Финтехе: LTV, Churn, Uplift-модели коммникаций, рекомендации, модели баланса и т.д.
4. Уровень развития DS в компании: Яндекс - высокий уровень развития DS
5. Роль дата сайентиста: end-to-end - отвечаем за полный цикл разработки: от челленджа идеи до выкатки модели в продакшн
6. Бэкграунд у руководителя: linkedin
7. Как часто вам будут мешать работать: 3 встречи с командой в неделю + 1-2 встречи с заказчиками
8. Карьерный рост: полугодовые ревью с пересмотром зп и грейда
9. Prod/Research: 90% продакшн разработка
10. Функция сервиса или лидера? функция сервиса со старта
Как откликнуться на вакансию:
Свои CV и вопросы направлять сюда: tg @Pmkhalilov
Куда: Финансовые сервисы Яндекса
Вилка гросс: 350-550 + премия раз в пол года по результатам ревью ~ 120% от оклада
Локация: Москва или Питер, гибрид, удаленка по РФ возможна
Про нас:
ML в Финтехе — это всё машинное обучение финансовых продуктов Яндекса: от кредитного скоринга и управления рисками до маркетинговых моделей, рекомендаций и GenAI-ассистентов. Команда не просто обучает модели, а отвечает за весь их жизненный цикл — от поиска и подготовки данных, обучения и экспериментов до вывода в прод и поддержки стабильности в рантайме. За счёт этого ML напрямую влияет на продукт, а результат меряется бизнес-метриками, а не только офлайн-качеством.
Что предстоит делать?
• Прогнозирование LTV (Lifetime Value) клиентов
С помощью ML-моделей прогнозируем долгосрочную ценность каждого клиента для компании. Это позволяет не просто сегментировать аудиторию, а выстраивать клиентоориентированную стратегию: оптимизировать маркетинговые затраты, разрабатывать персонализированные предложения и, как следствие, напрямую влиять на ключевые финансовые показатели бизнеса.
• Моделирование вероятности оттока клиентов (Churn Prediction)
Удержать существующего клиента дешевле, чем найти нового. Модели прогнозирования оттока — это инструмент для точечного и своевременного вмешательства, позволяющий не только сократить потери, но и гарантировать стабильный поток доходов от основной клиентской базы.
• Построение uplift-моделей для оптимизации коммуникаций
Определяем, для каких пользователей какая коммуникация будет наиболее эффективна. В результате мы минимизируем раздражение от спама и оптимизируем рекламные расходы, повышая эффективность каждой коммуникации.
• Разработка моделей персональных рекомендаций
Персональные рекомендации значительно улучшают пользовательский опыт, помогая клиентам быстрее находить нужное и открывать новые возможности наших сервисов. Это напрямую ведёт к увеличению вовлечённости, глубины использования продукта и конверсии в целевые действия, что в итоге повышает клиентскую лояльность и доход.
• Построение транзакционных эмбеддингов пользователей
Мы строим нейросетевые модели, которые превращают сырую транзакционную активность пользователей — оплаты в сервисах Яндекса, операции по дебетовой карте — в векторные представления поведенческого профиля клиента. Эти универсальные эмбеддинги усиливают качество моделей в самых разных задачах компании.
Требования:
• Понимаете принципы классического ML и работали с ним
• Понимаете принципы DL и работали с ним
• Хорошо знакомы с Python и SQL
• Разрабатывали модели и желательно внедряли их в продакшн
• Готовы отвечать за продакшн-модели в рантайме
Будет плюсом:
• Используете LLM в day-to-day-жизни или pet-проектах
• Понимаете, как устроены LLM
• Понимаете, как устроены RAG- и агентские системы
Ответы на 10 вопросов:
1. Данные: YT - яндексовский аналог Hadoop-стека
2. Железо: YT - 5 PiB, 5000 ядер. Продакшн: MLPlatforma - платформа для раскатки моделей в прод. Для работы: Macbook
3. Масштаб влияния на бизнес: Отвечаем за весь прикладной ML (кроме скоринга) в Яндекс Финтехе: LTV, Churn, Uplift-модели коммникаций, рекомендации, модели баланса и т.д.
4. Уровень развития DS в компании: Яндекс - высокий уровень развития DS
5. Роль дата сайентиста: end-to-end - отвечаем за полный цикл разработки: от челленджа идеи до выкатки модели в продакшн
6. Бэкграунд у руководителя: linkedin
7. Как часто вам будут мешать работать: 3 встречи с командой в неделю + 1-2 встречи с заказчиками
8. Карьерный рост: полугодовые ревью с пересмотром зп и грейда
9. Prod/Research: 90% продакшн разработка
10. Функция сервиса или лидера? функция сервиса со старта
Как откликнуться на вакансию:
Свои CV и вопросы направлять сюда: tg @Pmkhalilov
🔥21❤13💩11👍10😁2🆒1
Позиция: Middle+ - Senior Аналитик/DS/MLE
Компания: Т-банк, команда эффективности [Нефинансовых сервисов](https://www.tbank.ru/career/projects/nfs/)
Формат работы: fulltime, гибрид, Москва, офис на Белорусской
Вилка гросс: 400-700К + годовые премии (со звездами условия можем обсудить отдельно)
Про нас:
Мы создаём и внедряем алгоритмы, которые улучшают экономику экосистемы, делая её выгоднее для клиентов, прибыльнее для бизнеса и эффективнее для партнёров с помощью кешбэка, ценообразования и рекламы
Основные направления:
1. Динамическое Ценообразование и Оптимизация Промо: определять кому, на что и сколько кешбэка / скидок дать, опираясь на цели бизнеса (например чтобы вырастить выручку без просадки маржи). Вам предстоит перейти от простых эвристик к алгоритмам, uplift-моделям и RL, а также выстроить инфраструктуру вокруг этих решений
2. Рекламные алгоритмы: развивать аукцион и алгоритмы принятия решений внутри него, а также внедрять CPA-модель в партнерских размещениях (рекомендовать ставку и лимиты на кешбэк)
3. Оптимизация маркетингового бюджета: развивать МММ, модели атрибуции и causal-подходы для оценки инкрементальности каналов, понимать реальный вклад маркетинга в рост и перераспределять бюджеты в точки с максимальным ROI
4. Поиск и создание новых механик роста: генерировать гипотезы на основе продуктовых исследований и A/B-экспериментов, лидировать создание новых фич и механик, доводить лучшие из них до прода
Что предлагаем:
— Сплоченная команда 30+ человек из ШАД/ФКН/МФТИ/РЭШ
— Задачи с околонулевым легаси на стыке продукта, ML, оптов и разработки
— Прямое влияние на ключевые метрики бизнеса и деньги, управление большими бюджетами (от 50+ млн в месяц)
— Быстрый путь от гипотезы до продакшена
— В некоторых направлениях есть возможность для роста в лида
Что ожидаем от кандидата:
— Хорошего знания математики и применения в рабочих задачах математической статистики
— Хорошего знания ML (для аналитики/DS достаточно понимать базовые принципы)
— Базовую инженерную грамотность
— Уверенный SQL и Python
Будет плюсом:
— Опыт uplift-моделирования
— Знание базовых RL-алгоритмов
— Опыт внедрения ML-моделей в продакшн
— Знакомы с дискретной оптимизацией
— Понимание unit-экономики и PNL
— Опыт работы в командах эффективности / рекламы / рексис
Ответы на 10 вопросов:
1. Данные: В основном GreenPlum (все данные банка), мобильные события - ClickHouse
2. Железо: Коммунальные GPU и CPU сервера с большим выбором и количеством железа + MacBook Pro для разработки
3. Масштаб влияния на core-бизнес? Рост и выполнение OKR по продуктам бизнес линии зависит от работы нашего направления
4. Уровень развития Data Science в компании? Экспертиза в банке высокая, есть отдельные RnD команды, с которыми можно консультироваться, в рамках направления каждый проект частично или полностью связан с ML и оптимизацией
5. Роль дата сайентиста: Аналитики и MLE - двигатель и сердце направления, так как продактов в направлении практически нет. Занимаемся end-to-end проектами: от идеи и постановки задачи до реализации и обсуждения выкатки на прод с командой продукта
6. Бэкграунд у вашего руководителя? LinkedIn
7. Как часто вам будут мешать работать?
- Созвоны с командой: 2 - 3 часа в неделю
- Созвоны с продуктовой командой: 1 - 3 часа в неделю (в зависимости от позиции)
8. Карьерный рост: формализована матрица компетенций, есть возможность быстро расти по грейдам в силу начальной стадии направления, также есть возможность роста в лида
9. Prod/Research: Prod/Research 80/20
10. Функция сервиса или лидера? Сервис/лидер: 20/80
Если интересно или есть вопросы – пишите в @NikitaReznikov, расскажу подробнее
Компания: Т-банк, команда эффективности [Нефинансовых сервисов](https://www.tbank.ru/career/projects/nfs/)
Формат работы: fulltime, гибрид, Москва, офис на Белорусской
Вилка гросс: 400-700К + годовые премии (со звездами условия можем обсудить отдельно)
Про нас:
Мы создаём и внедряем алгоритмы, которые улучшают экономику экосистемы, делая её выгоднее для клиентов, прибыльнее для бизнеса и эффективнее для партнёров с помощью кешбэка, ценообразования и рекламы
Основные направления:
1. Динамическое Ценообразование и Оптимизация Промо: определять кому, на что и сколько кешбэка / скидок дать, опираясь на цели бизнеса (например чтобы вырастить выручку без просадки маржи). Вам предстоит перейти от простых эвристик к алгоритмам, uplift-моделям и RL, а также выстроить инфраструктуру вокруг этих решений
2. Рекламные алгоритмы: развивать аукцион и алгоритмы принятия решений внутри него, а также внедрять CPA-модель в партнерских размещениях (рекомендовать ставку и лимиты на кешбэк)
3. Оптимизация маркетингового бюджета: развивать МММ, модели атрибуции и causal-подходы для оценки инкрементальности каналов, понимать реальный вклад маркетинга в рост и перераспределять бюджеты в точки с максимальным ROI
4. Поиск и создание новых механик роста: генерировать гипотезы на основе продуктовых исследований и A/B-экспериментов, лидировать создание новых фич и механик, доводить лучшие из них до прода
Что предлагаем:
— Сплоченная команда 30+ человек из ШАД/ФКН/МФТИ/РЭШ
— Задачи с околонулевым легаси на стыке продукта, ML, оптов и разработки
— Прямое влияние на ключевые метрики бизнеса и деньги, управление большими бюджетами (от 50+ млн в месяц)
— Быстрый путь от гипотезы до продакшена
— В некоторых направлениях есть возможность для роста в лида
Что ожидаем от кандидата:
— Хорошего знания математики и применения в рабочих задачах математической статистики
— Хорошего знания ML (для аналитики/DS достаточно понимать базовые принципы)
— Базовую инженерную грамотность
— Уверенный SQL и Python
Будет плюсом:
— Опыт uplift-моделирования
— Знание базовых RL-алгоритмов
— Опыт внедрения ML-моделей в продакшн
— Знакомы с дискретной оптимизацией
— Понимание unit-экономики и PNL
— Опыт работы в командах эффективности / рекламы / рексис
Ответы на 10 вопросов:
1. Данные: В основном GreenPlum (все данные банка), мобильные события - ClickHouse
2. Железо: Коммунальные GPU и CPU сервера с большим выбором и количеством железа + MacBook Pro для разработки
3. Масштаб влияния на core-бизнес? Рост и выполнение OKR по продуктам бизнес линии зависит от работы нашего направления
4. Уровень развития Data Science в компании? Экспертиза в банке высокая, есть отдельные RnD команды, с которыми можно консультироваться, в рамках направления каждый проект частично или полностью связан с ML и оптимизацией
5. Роль дата сайентиста: Аналитики и MLE - двигатель и сердце направления, так как продактов в направлении практически нет. Занимаемся end-to-end проектами: от идеи и постановки задачи до реализации и обсуждения выкатки на прод с командой продукта
6. Бэкграунд у вашего руководителя? LinkedIn
7. Как часто вам будут мешать работать?
- Созвоны с командой: 2 - 3 часа в неделю
- Созвоны с продуктовой командой: 1 - 3 часа в неделю (в зависимости от позиции)
8. Карьерный рост: формализована матрица компетенций, есть возможность быстро расти по грейдам в силу начальной стадии направления, также есть возможность роста в лида
9. Prod/Research: Prod/Research 80/20
10. Функция сервиса или лидера? Сервис/лидер: 20/80
Если интересно или есть вопросы – пишите в @NikitaReznikov, расскажу подробнее
🔥18💩6❤5👍1
Позиция: Middle/Senior Data Scientist
Куда? Авито, Item2param
Формат работы: полная удаленка или офис, на выбор
Вилка гросс:
Middle: 269 000 - 413 000 gross + 15% премия
Senior: 363 000 - 524 000 gross + 15% премия
Условия обсуждаются индивидуально по результатам технических интервью
О нас:
Мы разрабатываем платформу, автоматически предсказывающую более 2000 параметров объявления на момент подачи (категории, атрибуты, бренды). Данные параметры критичны для всех бизнес направлений Авито: поиска, модерации, монетизации, SEO. Мы обеспечиваем максимально эффективные предсказания в условиях высокой нагрузки, а также быструю адаптацию моделей под новые сценарии.
Что нужно делать?
• Разрабатывать сложные нейросети (text, image) c нуля на Pytorch - предобучение, finetuning, оптимизация
• Осуществлять внедрение нейросетей в сервис, настраивать мониторинг, решать технические проблемы
• Вести бизнес-процессы до получения результата
• Курировать младших коллег
Требования:
• Отличное знание Pytorch
• Опыт работы с большими нейросетевыми моделями, организации production процессов
• Работа на результат
• Будет плюсом: успехи в соревнованиях/Kaggle
Ответы на 10 важных вопросов:
1. Данные: Большие исторические данные по объявлениям (текст, изображения), обучение на несколько видов разметок
2. Железо: Кластер с H100 для dev и prod
3. Масштаб влияния на core-бизнес? Платформа Item2param имеет статус Business Critical и первостепенную поддержку. На систему атрибутов завязаны ключевые бизнес-процессы - Поиск, Монетизация, Модерация, SEO.
4. Уровень развития Data Science в компании? Высокий. DS команды делятся на вертикальные (подвязаны к бизнес-линии) и горизонтальные (разрабатывают инструменты для всех DS команд).
5. Роль дата сайентиста: Фокус не на конкретные ML-задачи, а на платформенные улучшения (напр., предобучить базовый чекпоинт с нуля, расширить функционал библиотеки для пользователей, улучшить процесс сбора данных для мониторинга) с целью внедрить функционал в сервис. Поддержка продакшн-процессов совместно с MLOps и Backend. По необходимости - поддержка пользователей платформы (DS, аналитики, контент-менеджеры).
6. Бэкграунд у вашего руководителя? Kaggle Competition Master, Linkedin
7. Как часто вам будут мешать работать? Дейли раз в день на 20 минут, орг встречи по необходимости
8. Карьерный рост: Руководитель поддерживает активную прокачку по хард и софт скиллам: составляем план развития и совместно по нему идем. Перфоманс-ревью раз в полгода
9. Prod/Research: 70% prod / 30% research. Активно разрабатываем SOTA подходы к задачам, однако с упором на промышленное внедрение
10. Функция сервиса или лидера? 50% сервис / 50% лидер. Есть существенный запрос на самостоятельное ведение ключевых бизнес-кейсов до внедрения в продакшн, поддержка в развитии других коллег и шеринг экспертизы.
Резюме отправляйте на oasidorshin@avito.ru с темой "DS в Item2param"
Куда? Авито, Item2param
Формат работы: полная удаленка или офис, на выбор
Вилка гросс:
Middle: 269 000 - 413 000 gross + 15% премия
Senior: 363 000 - 524 000 gross + 15% премия
Условия обсуждаются индивидуально по результатам технических интервью
О нас:
Мы разрабатываем платформу, автоматически предсказывающую более 2000 параметров объявления на момент подачи (категории, атрибуты, бренды). Данные параметры критичны для всех бизнес направлений Авито: поиска, модерации, монетизации, SEO. Мы обеспечиваем максимально эффективные предсказания в условиях высокой нагрузки, а также быструю адаптацию моделей под новые сценарии.
Что нужно делать?
• Разрабатывать сложные нейросети (text, image) c нуля на Pytorch - предобучение, finetuning, оптимизация
• Осуществлять внедрение нейросетей в сервис, настраивать мониторинг, решать технические проблемы
• Вести бизнес-процессы до получения результата
• Курировать младших коллег
Требования:
• Отличное знание Pytorch
• Опыт работы с большими нейросетевыми моделями, организации production процессов
• Работа на результат
• Будет плюсом: успехи в соревнованиях/Kaggle
Ответы на 10 важных вопросов:
1. Данные: Большие исторические данные по объявлениям (текст, изображения), обучение на несколько видов разметок
2. Железо: Кластер с H100 для dev и prod
3. Масштаб влияния на core-бизнес? Платформа Item2param имеет статус Business Critical и первостепенную поддержку. На систему атрибутов завязаны ключевые бизнес-процессы - Поиск, Монетизация, Модерация, SEO.
4. Уровень развития Data Science в компании? Высокий. DS команды делятся на вертикальные (подвязаны к бизнес-линии) и горизонтальные (разрабатывают инструменты для всех DS команд).
5. Роль дата сайентиста: Фокус не на конкретные ML-задачи, а на платформенные улучшения (напр., предобучить базовый чекпоинт с нуля, расширить функционал библиотеки для пользователей, улучшить процесс сбора данных для мониторинга) с целью внедрить функционал в сервис. Поддержка продакшн-процессов совместно с MLOps и Backend. По необходимости - поддержка пользователей платформы (DS, аналитики, контент-менеджеры).
6. Бэкграунд у вашего руководителя? Kaggle Competition Master, Linkedin
7. Как часто вам будут мешать работать? Дейли раз в день на 20 минут, орг встречи по необходимости
8. Карьерный рост: Руководитель поддерживает активную прокачку по хард и софт скиллам: составляем план развития и совместно по нему идем. Перфоманс-ревью раз в полгода
9. Prod/Research: 70% prod / 30% research. Активно разрабатываем SOTA подходы к задачам, однако с упором на промышленное внедрение
10. Функция сервиса или лидера? 50% сервис / 50% лидер. Есть существенный запрос на самостоятельное ведение ключевых бизнес-кейсов до внедрения в продакшн, поддержка в развитии других коллег и шеринг экспертизы.
Резюме отправляйте на oasidorshin@avito.ru с темой "DS в Item2param"
Kaggle
Oleg Sidorshin
Kaggle profile for Oleg Sidorshin
🔥17💩10❤7👍5🥴2
Позиция: стажер DS на 6 месяцев
Куда: Альфа-Банк, CRM, управление персонализации
Формат работы: Полная удаленка, при желании можно работать из офиса — Москва, м. Технопарк.
Вилка (gross): 90K
Начало стажировки: ~сентябрь 2026 г.
Про нас:
Мы — команда рекомендательных систем внутри CRM Альфа-Банка. Разрабатываем модели рекомендаций и модели склонности к приобретению банковских продуктов, которые используются для персонализации предложений в мобильном приложении.
В команде работают Data Scientist'ы и аналитики с сильным математическим и техническим бэкграундом — преимущественно выпускники МФТИ, МГУ, ВШЭ и СПбГУ. Стажёр будет работать вместе с опытным DS-ментором и постепенно погружаться во весь цикл разработки ML-моделей.
Что предстоит делать на стажировке?
Под руководством ментора пройти полный цикл разработки промышленной ML-модели:
• общаться с бизнес-заказчиками и разбираться в задаче, которую должна решать модель;
• собирать и исследовать данные, строить признаки и датасеты для обучения;
• выбирать метрики и бейзлайны, обучать и валидировать модели;
• анализировать результаты и искать способы улучшения качества модели;
• участвовать в выводе модели в production;
• следить за работой модели после запуска и анализировать её качество и эффект на реальных данных.
Что ожидаем от кандидата:
• Сильная техническая база: образование в области математики, физики, computer science или смежных направлений. Приветствуются студенты старших курсов (3-6) и выпускники МФТИ, МГУ, ВШЭ, СПбГУ и других сильных технических вузов.
• Хорошая математическая подготовка: теория вероятностей и математическая статистика.
• Наличие практического опыта (учебные задачи, pet-проекты, хакатоны) в классическом ML и понимание основ DL
• Опыт работы с рекомендательными системами будет большим плюсом.
• Уверенное владение Python и основным DS-стеком: pandas, scikit-learn, CatBoost; базовый опыт работы с PyTorch.
• Знание SQL и Git.
• Опыт работы со Spark / PySpark будет плюсом.
Ответы на 10 важных вопросов :
1. Данные: Hadoop (все данные Альфа-Банка), данные по взаимодействию всех клиентов Альфа-Банка с мобильным приложением
2. Железо: доступны Jupyter-инстансы до 20 CPU и 256 GB RAM. Для более тяжелых вычислений — Kubernetes-кластер с GPU H100, суммарно более 1000 CPU-ядер и 30+ TB RAM.
3. Масштаб влияния на core-бизнес? ML-модели — важная часть большинства ключевых процессов банка. В рамках CRM, почти во все локации мобильного приложения банка внедрена модельная логика
4. Уровень развития Data Science в компании? Все линии бизнеса покрыты ML моделями, где необходимо - успешно внедрен DL.
5. Роль дата сайентиста: DS участвует в полном цикле разработки модели: от общения с бизнес-заказчиком и формализации задачи до подготовки данных, обучения модели, внедрения в production и последующего анализа её работы вместе с аналитиками.
6. Бэкграунд у вашего руководителя? Два красных диплома МФТИ, 5 лет опыта работы DS. (CV руководителя в первом комментарии)
7. Как часто вам будут мешать работать? Синхронизация с командой (<2 часов в неделю).
8. Карьерный рост: при успешном прохождении стажировки стараемся предложить стажеру полноценную позицию в нашей или смежной DS-команде.
9. Prod/Research: Prod 100%. При этом возможна исследовательская работа, если она направлена на улучшение качества действующих production-моделей или поиск новых подходов.
10. Функция сервиса или лидера? На стажировке 80%/20%
Как откликнуться на вакансию: Отправь свой CV в tg: @Fedor_Lomakin Также буду рад ответить на интересующие вопросы
Куда: Альфа-Банк, CRM, управление персонализации
Формат работы: Полная удаленка, при желании можно работать из офиса — Москва, м. Технопарк.
Вилка (gross): 90K
Начало стажировки: ~сентябрь 2026 г.
Про нас:
Мы — команда рекомендательных систем внутри CRM Альфа-Банка. Разрабатываем модели рекомендаций и модели склонности к приобретению банковских продуктов, которые используются для персонализации предложений в мобильном приложении.
В команде работают Data Scientist'ы и аналитики с сильным математическим и техническим бэкграундом — преимущественно выпускники МФТИ, МГУ, ВШЭ и СПбГУ. Стажёр будет работать вместе с опытным DS-ментором и постепенно погружаться во весь цикл разработки ML-моделей.
Что предстоит делать на стажировке?
Под руководством ментора пройти полный цикл разработки промышленной ML-модели:
• общаться с бизнес-заказчиками и разбираться в задаче, которую должна решать модель;
• собирать и исследовать данные, строить признаки и датасеты для обучения;
• выбирать метрики и бейзлайны, обучать и валидировать модели;
• анализировать результаты и искать способы улучшения качества модели;
• участвовать в выводе модели в production;
• следить за работой модели после запуска и анализировать её качество и эффект на реальных данных.
Что ожидаем от кандидата:
• Сильная техническая база: образование в области математики, физики, computer science или смежных направлений. Приветствуются студенты старших курсов (3-6) и выпускники МФТИ, МГУ, ВШЭ, СПбГУ и других сильных технических вузов.
• Хорошая математическая подготовка: теория вероятностей и математическая статистика.
• Наличие практического опыта (учебные задачи, pet-проекты, хакатоны) в классическом ML и понимание основ DL
• Опыт работы с рекомендательными системами будет большим плюсом.
• Уверенное владение Python и основным DS-стеком: pandas, scikit-learn, CatBoost; базовый опыт работы с PyTorch.
• Знание SQL и Git.
• Опыт работы со Spark / PySpark будет плюсом.
Ответы на 10 важных вопросов :
1. Данные: Hadoop (все данные Альфа-Банка), данные по взаимодействию всех клиентов Альфа-Банка с мобильным приложением
2. Железо: доступны Jupyter-инстансы до 20 CPU и 256 GB RAM. Для более тяжелых вычислений — Kubernetes-кластер с GPU H100, суммарно более 1000 CPU-ядер и 30+ TB RAM.
3. Масштаб влияния на core-бизнес? ML-модели — важная часть большинства ключевых процессов банка. В рамках CRM, почти во все локации мобильного приложения банка внедрена модельная логика
4. Уровень развития Data Science в компании? Все линии бизнеса покрыты ML моделями, где необходимо - успешно внедрен DL.
5. Роль дата сайентиста: DS участвует в полном цикле разработки модели: от общения с бизнес-заказчиком и формализации задачи до подготовки данных, обучения модели, внедрения в production и последующего анализа её работы вместе с аналитиками.
6. Бэкграунд у вашего руководителя? Два красных диплома МФТИ, 5 лет опыта работы DS. (CV руководителя в первом комментарии)
7. Как часто вам будут мешать работать? Синхронизация с командой (<2 часов в неделю).
8. Карьерный рост: при успешном прохождении стажировки стараемся предложить стажеру полноценную позицию в нашей или смежной DS-команде.
9. Prod/Research: Prod 100%. При этом возможна исследовательская работа, если она направлена на улучшение качества действующих production-моделей или поиск новых подходов.
10. Функция сервиса или лидера? На стажировке 80%/20%
Как откликнуться на вакансию: Отправь свой CV в tg: @Fedor_Lomakin Также буду рад ответить на интересующие вопросы
🔥14💩11🤯7❤6👍3
Позиция: Стажер дата-аналитик
Компания: Х5 Group
Формат: Продолжительность стажировки 6 месяцев (full-time - 40 часов в неделю!)
Локация: Удаленная работа (но по желанию можно работать из офиса, г. Москва)
Вилки: Оклад 100 тыс.руб. gross
Начало стажировки: Октябрь Asap 2026
💡Команда ad-hoc аналитики из X5 Group (Пятерочка, Перекресток, Чижик и etc) в поисках стажеров!
🔬Почему у нас интересно?
Более 20 тысяч магазинов, 15 миллионов клиентов, петабайты данных - и все это нужно анализировать. Каждый день мы показываем, что наши супермаркеты - на самом деле цифровой проект, в котором большое место занимают Big Data и Data-Driven подход.
Мы в команде ad-hoc аналитики крутим AB-тесты в оффлайне и не только, с каждым днем все больше прилетает нестандартных задачек, в которых мы используем все свои знания (или быстро их приобретаем), а также у нас можно заниматься рисерчами!
🔭Чем у нас занимаются стажеры?
- Первое время проходят онбординг, запоминают имена ментора и тим-лида и погружаются в курс дела
- Сразу после этого получают свою первую настоящую боевую задачку (и НЕ страдают, так как ментор всегда под рукой) на дизайн или оценку будущего эксперимента
- Продумывают дизайн А/B-тестов на магазинах или лояльных клиентах и интерпретируют их результаты, а также помогают руководителям инициатив (бизнесу) в этом
- Исследуют новые подходы к оценкам А/Б-тестов (для такой задачи преимуществом будет продвинутые знания в области статистики и causal inference)
- Помогают развивать core-библиотеку, созданную для оценки и дизайна А/Б-тестов
- Решают различные ad-hoc запросы (эконометрические задачи, модели прогнозирования, рекомендательные системы и пр.)
😎Ты нам подходишь:
- Если уже загуглил, что такое "ad-hoc" и понял, в чем суть
- Уверенно владеешь Python (pandas, numpy, matplotlib и весь базовый набор для аналитики данных), SQL (join'ы, оконки), знаешь статистику и основы ML
- Обладаешь аналитическим складом ума, наблюдательностью и успешно практикуешь метод пристального взгляда
- Любишь мемы (желательно, но необязательно)
- Преимуществом будет владение бигдатой
☺️Что мы предлагаем:
- Помощь менторов на всем этапе стажировки
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои CV в формате "Фамилия Имя Резюме СТАЖЕР октябрь" и вакансию направлять сюда: tg @Zzzelar
Компания: Х5 Group
Формат: Продолжительность стажировки 6 месяцев (full-time - 40 часов в неделю!)
Локация: Удаленная работа (но по желанию можно работать из офиса, г. Москва)
Вилки: Оклад 100 тыс.руб. gross
Начало стажировки: Октябрь Asap 2026
💡Команда ad-hoc аналитики из X5 Group (Пятерочка, Перекресток, Чижик и etc) в поисках стажеров!
🔬Почему у нас интересно?
Более 20 тысяч магазинов, 15 миллионов клиентов, петабайты данных - и все это нужно анализировать. Каждый день мы показываем, что наши супермаркеты - на самом деле цифровой проект, в котором большое место занимают Big Data и Data-Driven подход.
Мы в команде ad-hoc аналитики крутим AB-тесты в оффлайне и не только, с каждым днем все больше прилетает нестандартных задачек, в которых мы используем все свои знания (или быстро их приобретаем), а также у нас можно заниматься рисерчами!
🔭Чем у нас занимаются стажеры?
- Первое время проходят онбординг, запоминают имена ментора и тим-лида и погружаются в курс дела
- Сразу после этого получают свою первую настоящую боевую задачку (и НЕ страдают, так как ментор всегда под рукой) на дизайн или оценку будущего эксперимента
- Продумывают дизайн А/B-тестов на магазинах или лояльных клиентах и интерпретируют их результаты, а также помогают руководителям инициатив (бизнесу) в этом
- Исследуют новые подходы к оценкам А/Б-тестов (для такой задачи преимуществом будет продвинутые знания в области статистики и causal inference)
- Помогают развивать core-библиотеку, созданную для оценки и дизайна А/Б-тестов
- Решают различные ad-hoc запросы (эконометрические задачи, модели прогнозирования, рекомендательные системы и пр.)
😎Ты нам подходишь:
- Если уже загуглил, что такое "ad-hoc" и понял, в чем суть
- Уверенно владеешь Python (pandas, numpy, matplotlib и весь базовый набор для аналитики данных), SQL (join'ы, оконки), знаешь статистику и основы ML
- Обладаешь аналитическим складом ума, наблюдательностью и успешно практикуешь метод пристального взгляда
- Любишь мемы (желательно, но необязательно)
- Преимуществом будет владение бигдатой
☺️Что мы предлагаем:
- Помощь менторов на всем этапе стажировки
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои CV в формате "Фамилия Имя Резюме СТАЖЕР октябрь" и вакансию направлять сюда: tg @Zzzelar
🤣21🔥13❤8🤡8👍5💩3
Позиция: Senior ML/AI Engineer
Куда? Fileforce - B2B SaaS облачное хранилище, более 25 000 японских компаний-клиентов
Формат работы: Офис: г. Токио (Япония)
Вилка гросс: 8-14 млн иен в год (бюджет будет утверждаться опираясь на ожидания кандидата, прошедшего собеседования, поэтому приведена общая вилка, включающая медианную зп в Японии)
Про нас:
В нашей ML-команде сейчас 5 человек. Мы работаем над:
• AI-агентом для работы с облачным хранилищем и документами;
• сервисом извлечения данных из контрактов и счетов;
• RAG-базой знаний по Fileforce для клиентов;
• системой поиска аномалий в пользовательских логах.
В разработке активно используем современные AI-инструменты и кодинговые агенты (Claude Code, Codex)
Что нужно делать?
• Разрабатывать новые и поддерживать/улучшать существующие проекты (backend+ML+участие в деплое), а также улучшать мониторинг и аналитику запущенных проектов
Требования:
• высшее техническое образование (диплом потребуется для оформления японской рабочей визы)
• 3+ года опыта в Machine Learning;
• опыт самостоятельного ведения проектов;
• опыт с agentic/RAG-системами будет большим плюсом;
• опыт разработки с помощью кодинговых агентов;
• интерес к новым AI-технологиям и готовность постоянно разбираться в новых подходах;
• английский на уровне свободного чтения технической документации
• релевантный опыт с частью стека и способность быстро осваивать новое: LangGraph, DeepAgents, FastAPI, PostgreSQL, ClickHouse, Docker, vLLM, OpenAI API, AWS S3, Langfuse, OpenTelemetry, MCP, Redis, AWS SQS.
Ответы на 10 важных вопросов:
1. Данные: работа преимущественно с данными (файлами различных форматов) компаний из хранилища через внутреннее API, AWS S3, Elasticsearch
2. Железо: на текущий момент преимущественно AWS инфраструктура, аренда VM под проекты и доступ к моделям по API. При экономической эффективности - собственное развертывание.
Для работы: ПК в офисе, подключение к AWS VM по ssh, простой ноутбук для удаленной работы
3. Масштаб влияния на core-бизнес? Сейчас в компании упор на ML проекты, поскольку наша команда отвечает за все ML проекты, то влияние и высокие ожидания от проектов у руководства.
4. Уровень развития Data Science в компании? Запущено несколько крупных проектов, настроена основная инфраструктура/пайплайны (разработка, интеграция с внутренними сервисами, мониторинг, базовая аналитика, практика работы с кодинговыми агентами и тд), при этом улучшение процессов и вовлечения ML проектов в процессы компании продолжается.
5. Роль дата сайентиста: ДС-ы участвуют в проработке и реализации полного цикла проектов/фичей совместно с бэкенд и фронтенд командами
6. Бэкграунд у вашего руководителя? linkedin
7. Как часто вам будут мешать работать? Daily meetings 15-20 мин + обсуждения прогресса/фичей внутри команды по мере необходимости
8. Карьерный рост: рост по зп возможен в рамках ежегодного планирования бюджета
9. Prod/Research: Prod 90%
10. Функция сервиса или лидера? На данном этапе сервисных функций больше.
✈️ ваши резюме направляйте @vasilenkone
Куда? Fileforce - B2B SaaS облачное хранилище, более 25 000 японских компаний-клиентов
Формат работы: Офис: г. Токио (Япония)
Вилка гросс: 8-14 млн иен в год (бюджет будет утверждаться опираясь на ожидания кандидата, прошедшего собеседования, поэтому приведена общая вилка, включающая медианную зп в Японии)
Про нас:
В нашей ML-команде сейчас 5 человек. Мы работаем над:
• AI-агентом для работы с облачным хранилищем и документами;
• сервисом извлечения данных из контрактов и счетов;
• RAG-базой знаний по Fileforce для клиентов;
• системой поиска аномалий в пользовательских логах.
В разработке активно используем современные AI-инструменты и кодинговые агенты (Claude Code, Codex)
Что нужно делать?
• Разрабатывать новые и поддерживать/улучшать существующие проекты (backend+ML+участие в деплое), а также улучшать мониторинг и аналитику запущенных проектов
Требования:
• высшее техническое образование (диплом потребуется для оформления японской рабочей визы)
• 3+ года опыта в Machine Learning;
• опыт самостоятельного ведения проектов;
• опыт с agentic/RAG-системами будет большим плюсом;
• опыт разработки с помощью кодинговых агентов;
• интерес к новым AI-технологиям и готовность постоянно разбираться в новых подходах;
• английский на уровне свободного чтения технической документации
• релевантный опыт с частью стека и способность быстро осваивать новое: LangGraph, DeepAgents, FastAPI, PostgreSQL, ClickHouse, Docker, vLLM, OpenAI API, AWS S3, Langfuse, OpenTelemetry, MCP, Redis, AWS SQS.
Ответы на 10 важных вопросов:
1. Данные: работа преимущественно с данными (файлами различных форматов) компаний из хранилища через внутреннее API, AWS S3, Elasticsearch
2. Железо: на текущий момент преимущественно AWS инфраструктура, аренда VM под проекты и доступ к моделям по API. При экономической эффективности - собственное развертывание.
Для работы: ПК в офисе, подключение к AWS VM по ssh, простой ноутбук для удаленной работы
3. Масштаб влияния на core-бизнес? Сейчас в компании упор на ML проекты, поскольку наша команда отвечает за все ML проекты, то влияние и высокие ожидания от проектов у руководства.
4. Уровень развития Data Science в компании? Запущено несколько крупных проектов, настроена основная инфраструктура/пайплайны (разработка, интеграция с внутренними сервисами, мониторинг, базовая аналитика, практика работы с кодинговыми агентами и тд), при этом улучшение процессов и вовлечения ML проектов в процессы компании продолжается.
5. Роль дата сайентиста: ДС-ы участвуют в проработке и реализации полного цикла проектов/фичей совместно с бэкенд и фронтенд командами
6. Бэкграунд у вашего руководителя? linkedin
7. Как часто вам будут мешать работать? Daily meetings 15-20 мин + обсуждения прогресса/фичей внутри команды по мере необходимости
8. Карьерный рост: рост по зп возможен в рамках ежегодного планирования бюджета
9. Prod/Research: Prod 90%
10. Функция сервиса или лидера? На данном этапе сервисных функций больше.
✈️ ваши резюме направляйте @vasilenkone
🤮22🔥8❤4😁3❤🔥1💩1
#вакансия
Позиция: junior+
Куда: Х5 Group
Вилка гросс: Оклад 260-360к гросс + премия 20 % (условия оклада обсуждаются по итогам интервью)
Формат работы: full-time, удаленно, возможен и гибрид
Про нас: 💡Команда ad-hoc аналитики из X5 Group (Пятерочка, Перекресток, Чижик и etc) в поисках опытных DS-спецов! 🔬Почему у нас интересно? Более 29 тысяч магазинов, 50 миллионов клиентов, петабайты данных - и все это нужно анализировать. Каждый день мы показываем, что наши супермаркеты - на самом деле цифровой проект, в котором большое место занимают Big Data и Data-Driven подход. Мы в команде ad-hoc аналитики создаем новые ML-решения для бизнеса и докручиваем старые, занимаемся рисерчами, пишем интересные статьи и выступаем на конференциях, а также крутим AB-тесты в оффлайне и онлайне!
Что предстоит делать? 🔭 Проходишь быстрый онбординг при поддержке тим-лида. А дальше - больше:
• полноценные рисерчи, чтобы применять лучшие инструменты в индустрии;
• разработка методологий оценки крупных цифровых продуктов;
• дизайны и оценки нестандартных экспертиментов через A/B (с обычными у нас платформа справляется);
• кодишь ML-решения, которые действительно нужны бизнесу, и передаешь их в прод. Задачи очень разнообразные (ранжирование в поиске и рекомендашки в мобильном приложении, определение взаимозаменяемых и комплементарных товаров, up-lift моделирование, прогнозирование ресурсной потребности в магазинах и т.д.);
• пишешь интересные статьи по результатам выполненных задач и не только. Все задачи ведешь в плотном контакте с бизнес-заказчиком.
Требования:
- Опыт работы в DS-сфере от двух лет
- Знание Python
- Знание классических алгоритмов и структур данных
- Знание теоретических и практических продвинутых методов машинного обучения;
- Знание SQL - умеешь строить оптимальные запросы, знаешь оконки, знакомство с hadoop-стэком будет плюсом;
- A/B тесты, генерация и проверка гипотез (будет плюсом опыт с variance reduction, CUPED, линеаризацией и методом бакетов)
Будет плюсом:
- Будет преимуществом: опыт работы с (docker, kubernetes, pyspark, kafka, postgres, airflow)
- Будет преимуществом: наличие опыта вывода разработанных решений в прод
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Как откликнуться на вакансию: Свои резюме в формате «Фамилия Имя Резюме Junior» направлять сюда: tg @didi_ulyanova
Позиция: junior+
Куда: Х5 Group
Вилка гросс: Оклад 260-360к гросс + премия 20 % (условия оклада обсуждаются по итогам интервью)
Формат работы: full-time, удаленно, возможен и гибрид
Про нас: 💡Команда ad-hoc аналитики из X5 Group (Пятерочка, Перекресток, Чижик и etc) в поисках опытных DS-спецов! 🔬Почему у нас интересно? Более 29 тысяч магазинов, 50 миллионов клиентов, петабайты данных - и все это нужно анализировать. Каждый день мы показываем, что наши супермаркеты - на самом деле цифровой проект, в котором большое место занимают Big Data и Data-Driven подход. Мы в команде ad-hoc аналитики создаем новые ML-решения для бизнеса и докручиваем старые, занимаемся рисерчами, пишем интересные статьи и выступаем на конференциях, а также крутим AB-тесты в оффлайне и онлайне!
Что предстоит делать? 🔭 Проходишь быстрый онбординг при поддержке тим-лида. А дальше - больше:
• полноценные рисерчи, чтобы применять лучшие инструменты в индустрии;
• разработка методологий оценки крупных цифровых продуктов;
• дизайны и оценки нестандартных экспертиментов через A/B (с обычными у нас платформа справляется);
• кодишь ML-решения, которые действительно нужны бизнесу, и передаешь их в прод. Задачи очень разнообразные (ранжирование в поиске и рекомендашки в мобильном приложении, определение взаимозаменяемых и комплементарных товаров, up-lift моделирование, прогнозирование ресурсной потребности в магазинах и т.д.);
• пишешь интересные статьи по результатам выполненных задач и не только. Все задачи ведешь в плотном контакте с бизнес-заказчиком.
Требования:
- Опыт работы в DS-сфере от двух лет
- Знание Python
- Знание классических алгоритмов и структур данных
- Знание теоретических и практических продвинутых методов машинного обучения;
- Знание SQL - умеешь строить оптимальные запросы, знаешь оконки, знакомство с hadoop-стэком будет плюсом;
- A/B тесты, генерация и проверка гипотез (будет плюсом опыт с variance reduction, CUPED, линеаризацией и методом бакетов)
Будет плюсом:
- Будет преимуществом: опыт работы с (docker, kubernetes, pyspark, kafka, postgres, airflow)
- Будет преимуществом: наличие опыта вывода разработанных решений в прод
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Как откликнуться на вакансию: Свои резюме в формате «Фамилия Имя Резюме Junior» направлять сюда: tg @didi_ulyanova
🔥16🤮13❤1
Позиция: ML-Инженер (Audio/Music) 🎸 — играющий на гитаре
Куда: FunCorp, Bander (музыкальный AI-стартап)
Формат: 🏡 удалённо
Вилка гросс: 💰 от 3 000 до 6 500 € (в месяц)
Про нас 🤖
Мы в FunCorp создаём новый музыкальный технологический продукт для тех, кто поёт и играет на гитаре. Идея: дать живому музыканту возможность играть с AI так, чтобы это ощущалось как репетиция с настоящей группой, а не игра под статичную фонограмму. Продукт запущен в стор в августе 2026.
Ищем в команду ML-Инженера 💻
Нам нужен человек, который сам играет и по-настоящему увлечён музыкой — иначе просто не услышит, где AI звучит неправильно :)
Что будешь делать:
— Проводить исследования на основе большого количества реальных гитарных джемов
— Работать с open source моделями, адаптация под музыкальные задачи
— Отвечать за полный цикл: от идеи и исследования до реализации и деплоя
— Генерировать и распознавать игру на инструментах
— Тестировать на слух — с гитарой в руках
— Работать с инфраструктурой: Docker, облака, MLOps
Что нам важно:
— Ты играешь на гитаре и живёшь музыкой
— Обязателен опыт в voice/audio ML — генерация, распознавание, обработка звука
— Умеешь адаптировать open source модели под задачу
Ответы на 10 вопросов ❓
1. Данные: мы в самом начале пути — продукт только вышел в сторы в августе 2026, и вместе с пользователями сейчас формируется реальный корпус гитарных джемов
2. Железо: Runpod с любыми нужными конфигурациями. Продакшн — on-premises + Runpod. Для работы — MacBook и все необходимые сервисы
3. Масштаб влияния на core-бизнес: влияние прямое и ощутимое — ты будешь одним техническим специалистом в команде стартапа
4. Уровень развития направления в компании: это приоритетный продукт компании прямо сейчас
5. Роль инженера: полный цикл — от исследования реальных гитарных джемов и обучения моделей до деплоя и финальной проверки на слух
6. Бэкграунд руководителя: СЕО — Андрей Мухаметов, LinkedIn
7. Как часто будут мешать работать: практически никогда — короткий дейлик по утрам, дальше спокойно работаем
8. Карьерный рост: растёшь вместе с продуктом
9. Prod/Research: 80% исследования / 20% продакшн
10. Функция сервиса или лидера: лидерская — формируешь направление, а не поддерживаешь чужое
📩 Откликнуться → @FunCorpHR
‼️ При отклике обязательно напишите: опыт в voice/audio ML и как давно и на каком уровне играете на гитаре 🎸
Куда: FunCorp, Bander (музыкальный AI-стартап)
Формат: 🏡 удалённо
Вилка гросс: 💰 от 3 000 до 6 500 € (в месяц)
Про нас 🤖
Мы в FunCorp создаём новый музыкальный технологический продукт для тех, кто поёт и играет на гитаре. Идея: дать живому музыканту возможность играть с AI так, чтобы это ощущалось как репетиция с настоящей группой, а не игра под статичную фонограмму. Продукт запущен в стор в августе 2026.
Ищем в команду ML-Инженера 💻
Нам нужен человек, который сам играет и по-настоящему увлечён музыкой — иначе просто не услышит, где AI звучит неправильно :)
Что будешь делать:
— Проводить исследования на основе большого количества реальных гитарных джемов
— Работать с open source моделями, адаптация под музыкальные задачи
— Отвечать за полный цикл: от идеи и исследования до реализации и деплоя
— Генерировать и распознавать игру на инструментах
— Тестировать на слух — с гитарой в руках
— Работать с инфраструктурой: Docker, облака, MLOps
Что нам важно:
— Ты играешь на гитаре и живёшь музыкой
— Обязателен опыт в voice/audio ML — генерация, распознавание, обработка звука
— Умеешь адаптировать open source модели под задачу
Ответы на 10 вопросов ❓
1. Данные: мы в самом начале пути — продукт только вышел в сторы в августе 2026, и вместе с пользователями сейчас формируется реальный корпус гитарных джемов
2. Железо: Runpod с любыми нужными конфигурациями. Продакшн — on-premises + Runpod. Для работы — MacBook и все необходимые сервисы
3. Масштаб влияния на core-бизнес: влияние прямое и ощутимое — ты будешь одним техническим специалистом в команде стартапа
4. Уровень развития направления в компании: это приоритетный продукт компании прямо сейчас
5. Роль инженера: полный цикл — от исследования реальных гитарных джемов и обучения моделей до деплоя и финальной проверки на слух
6. Бэкграунд руководителя: СЕО — Андрей Мухаметов, LinkedIn
7. Как часто будут мешать работать: практически никогда — короткий дейлик по утрам, дальше спокойно работаем
8. Карьерный рост: растёшь вместе с продуктом
9. Prod/Research: 80% исследования / 20% продакшн
10. Функция сервиса или лидера: лидерская — формируешь направление, а не поддерживаешь чужое
📩 Откликнуться → @FunCorpHR
‼️ При отклике обязательно напишите: опыт в voice/audio ML и как давно и на каком уровне играете на гитаре 🎸
😁49🔥20❤4🍓1👾1
Позиция: Middle-Senior Forward Deploy Engineer
Компания: Agentic Lab
Формат: Удаленно
Локация: большая часть команды находится в г. Москва, работаем по часовому пояску GMT+3
Вилка:
• Middle 320-380k gross + бонус
• Senior 450-530k gross + бонус
О компании:
Agentic Lab создаёт прикладные ИИ-системы для крупных корпораций: рабочие пространства, ИИ-ассистентов и автономных ИИ-сотрудников на собственной агентной платформе.
Мы строим операционный слой, на базе которого компании принимают решения
Основатели — Мирослав Гридин (CEO, ex-McKinsey) и Владимир Макаров (CTO, ex-McKinsey, PhD).
Обязанности:
– Разрабатывать AI-решения поверх нашей платформы: agentic workflows, tool calling, RAG, memory и human-in-the-loop контуры
– Проектировать multi-agent системы без жёсткой привязки к конкретному фреймворку или SDK — с логикой взаимодействия агентов, состоянием, памятью, маршрутизацией и обработкой ошибок
– Работать с современными LLM (GLM, Kimi, GPT, Claude, DeepSeek, Gemini) — как через API, так и с open-weight моделями
– Работать с базами данных платформы: PostgreSQL, ClickHouse, Qdrant, Redis — хранение данных, retrieval, semantic search и vector search
– Деплоить и оптимизировать open-weight модели на GPU-инфраструктуре (A100/H100) с использованием vLLM
– Оценивать и оптимизировать качество LLM-пайплайнов — Langfuse, собственные evals и метрики качества, latency, cost и reliability
– Интегрировать AI-системы в существующий IT-ландшафт клиентов и доводить решения от прототипа до production
Требования:
– Релевантный опыт работы в AI/ML, backend или software engineering
– Подтверждённый опыт проектирования и запуска LLM-based систем в production, а также деплоя и оптимизации open-weight LLM
– Уверенный Python и опыт разработки production-систем
– Уверенная работа с PostgreSQL и векторными БД; плюсом — ClickHouse и Redis
– Business acumen — понимаете бизнес-задачу и отвечаете за ценность решения, а не только за техническую реализацию
– Высшее образование по направлениям "Математика", "Физика", "Мат. методы в экономике"
– Ownership и проактивность — готовы самостоятельно вести задачу от постановки до работающего результата
Мы предлагаем:
– Гибкий режим работы
– Работу напрямую с фаундерами и партнёрами (ex-McKinsey, ex-Huawei, ex-Yandex), а также с клиентами и стейкхолдерами уровня C-level, качественный нетворк
– Реальные интересные enterprise-задачи: онтологическая платформа, multi-agent системы, корпоративные интеграции и внедрение AI в реальные бизнес-процессы
– Возможность влиять не только на клиентские решения, но и на архитектуру и развитие платформы Agentic Lab
– Гибрид / удалёнка с оформлением в РФ
Ответы на 10 важных вопросов:
1. Данные: зависят от проекта: от терабайтов табличных данных до изображений и видео
2. Железо: работаем преимущественно на виртуальных машинах, с LLM - микс GPU развертывания и работы по API
3. Масштаб влияния на бизнес? Прямое влияние на бизнес заказчика и компании
4. Уровень развития направления в компании? Ключевое направление компании
5. Роль инженера: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Владимир Макаров
7. Как часто вам будут мешать работать? работать не мешаем, созвоны с тех командой клиента по решению команды внедрения
8. Карьерный рост: рост по результатам работы, проделанной за полгода/год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? Ownership и проактивность – лидера или потенциального лидера, автономная работа. To do's вы ставите себе сами, проектный лидер вас направляет
Контакты для связи:
telegram: @hollywoodeyes (Екатерина)
email: founders@agenticlab.tech
Компания: Agentic Lab
Формат: Удаленно
Локация: большая часть команды находится в г. Москва, работаем по часовому пояску GMT+3
Вилка:
• Middle 320-380k gross + бонус
• Senior 450-530k gross + бонус
О компании:
Agentic Lab создаёт прикладные ИИ-системы для крупных корпораций: рабочие пространства, ИИ-ассистентов и автономных ИИ-сотрудников на собственной агентной платформе.
Мы строим операционный слой, на базе которого компании принимают решения
Основатели — Мирослав Гридин (CEO, ex-McKinsey) и Владимир Макаров (CTO, ex-McKinsey, PhD).
Обязанности:
– Разрабатывать AI-решения поверх нашей платформы: agentic workflows, tool calling, RAG, memory и human-in-the-loop контуры
– Проектировать multi-agent системы без жёсткой привязки к конкретному фреймворку или SDK — с логикой взаимодействия агентов, состоянием, памятью, маршрутизацией и обработкой ошибок
– Работать с современными LLM (GLM, Kimi, GPT, Claude, DeepSeek, Gemini) — как через API, так и с open-weight моделями
– Работать с базами данных платформы: PostgreSQL, ClickHouse, Qdrant, Redis — хранение данных, retrieval, semantic search и vector search
– Деплоить и оптимизировать open-weight модели на GPU-инфраструктуре (A100/H100) с использованием vLLM
– Оценивать и оптимизировать качество LLM-пайплайнов — Langfuse, собственные evals и метрики качества, latency, cost и reliability
– Интегрировать AI-системы в существующий IT-ландшафт клиентов и доводить решения от прототипа до production
Требования:
– Релевантный опыт работы в AI/ML, backend или software engineering
– Подтверждённый опыт проектирования и запуска LLM-based систем в production, а также деплоя и оптимизации open-weight LLM
– Уверенный Python и опыт разработки production-систем
– Уверенная работа с PostgreSQL и векторными БД; плюсом — ClickHouse и Redis
– Business acumen — понимаете бизнес-задачу и отвечаете за ценность решения, а не только за техническую реализацию
– Высшее образование по направлениям "Математика", "Физика", "Мат. методы в экономике"
– Ownership и проактивность — готовы самостоятельно вести задачу от постановки до работающего результата
Мы предлагаем:
– Гибкий режим работы
– Работу напрямую с фаундерами и партнёрами (ex-McKinsey, ex-Huawei, ex-Yandex), а также с клиентами и стейкхолдерами уровня C-level, качественный нетворк
– Реальные интересные enterprise-задачи: онтологическая платформа, multi-agent системы, корпоративные интеграции и внедрение AI в реальные бизнес-процессы
– Возможность влиять не только на клиентские решения, но и на архитектуру и развитие платформы Agentic Lab
– Гибрид / удалёнка с оформлением в РФ
Ответы на 10 важных вопросов:
1. Данные: зависят от проекта: от терабайтов табличных данных до изображений и видео
2. Железо: работаем преимущественно на виртуальных машинах, с LLM - микс GPU развертывания и работы по API
3. Масштаб влияния на бизнес? Прямое влияние на бизнес заказчика и компании
4. Уровень развития направления в компании? Ключевое направление компании
5. Роль инженера: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Владимир Макаров
7. Как часто вам будут мешать работать? работать не мешаем, созвоны с тех командой клиента по решению команды внедрения
8. Карьерный рост: рост по результатам работы, проделанной за полгода/год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? Ownership и проактивность – лидера или потенциального лидера, автономная работа. To do's вы ставите себе сами, проектный лидер вас направляет
Контакты для связи:
telegram: @hollywoodeyes (Екатерина)
email: founders@agenticlab.tech
❤6👍3👎2😱1