Позиция: Middle+/Senior ML Engineer на все руки
Куда: Life Pay
Формат работы: Полная занятость. Гибридный график: Москва (офис на Арбате), возможны командировки в MENA и ЮВА, готов обсуждать удаленку
Вилка (net): 250-300k/350-450k соответственно

Про нас: LIFE PAY — Series B стартап, 119 место в рейтинге 500 быстрорастущих технологических компаний Smart 500, разработчик платежных, кассовых и учетных программных продуктов для ритейла и сферы услуг. Я (@flashnik, выпускник МФТИ, ex-Kaggle top-300, делал решения для 9 отраслей, более 500 моделей на проде) собираю с нуля команду для запуска нового направления - создания ML/AI-First продуктов в РФ и в Global. Сейчас в команде есть один бизнес-аналитик (и еще одна вакансия) и 2 вакансии на ML-инженера.

В течение ближайших нескольких месяцев нашей AI-команде нужно нащупать бизнес-модель и найти product-market fit - а для этого придется делать много PoC, придумывать и создавать MVP, а также выбрать и развернуть (с помощью девопсов) инфру. После выбора продуктовой ниши и перехода в стадию развития продукта можно будет сконцентрироваться на одной из предметных областей/одном из продуктов.

Что предстоит делать:
- Все, что необходимо сделать со стороны технологий для запуска и взлета (ToTheMoon) AI-направления;
- Создание технологических PoC и запуск MVP;
- Анализировать работу сторонних моделей (OpenAI, Anthropic, …) и строить прототипы на их основе;
- Собирать датасеты и обучать модели для классического ML (прогнозирование временных рядов и не только, работа с транзакционными данными, классификация, рекомендашки);
- Анализировать сторонние решения для оценки качества их работы;
- Применять CV для решения бизнес-задач (например, распознавание товаров на фото);
- Разрабатывать/файнтюнить и внедрять модели с GenAI для текстов и картинок/видео;
- Внедрять AutoML;
- Разрабатывать сервисы с моделями, к которым будет интегрироваться бэкенд и фронтенд;
- Создавать задачи на разворачивание инфры и помогать в ее разворачивании;
- Проектировать/участвовать в проектировании архитектуры ML-продуктов и сервисов.

В перспективе при получении инвестиционного транша на запуск продуктов, увеличении команды и фокусировке на конкретных продуктах можно будет выделить для себя более узкую область для профессионального роста.

Что классного в вакансии:- Greenfield - никакого legacy, выбор технологий в первую очередь исходя из технологических и бизнес-соображений;
- Быстрый фидбек - либо продолжаем работу над PoC/MVP, либо переходим к следующей гипотезе из бэклога;
- Возможность проявить себя в решении задач на разные типы алгоритмов;
- Возможность присоединиться к команде запуска стартапа внутри стартапа на самой ранней стадии - стать первым инженером в команде;
- Возможность работать над решениями для глобального рынка;
- Возможность напрямую влиять на запуск и рост бизнеса.

Стек- Пишем на Python;
- Текущие данные хранятся в Postgres, ClickHouse;
- Есть возможность использовать несколько облаков и другие решения;
- Прототипируем в Jupyter;
- Для переноса в прод можем использовать Flask, StreamLit, Airflow, Kafka, Kubernetes и т.д.;
- Изменение и расширение стека может быть одним из артефактов деятельности кандидата.

Требования к кандидату- совокупный опыт работы в ML/DS/AI от 3 лет;
- уверенное владение Python и SQL;
- насмотренность в разных областях ML;
- опыт в классическом ML, в том числе, работа с транзакционными данными и Time-Series;
- опыт с рекомендашками, особенно для ритейла;
- опыт с NLP;
- опыт использования LLM для не-английского языка будет большим плюсом;
- понимание CI/CD, MLOps, готовность выстраивать инфру с нуля или принять участие в проектировании архитектуры и постановке задачи на DevOps;
- опыт полного цикла внедрения моделей обязателен;
- умение коммуникации с бизнесом внутри команды и со смежными командами (как бизнес, так и разработка, девопс и т.д.);
- самостоятельность, инициативность и умение декомпозировать при решении задач.

Продолжение и ответы на 10 вопросов в 1-м комментарии 👇

Позиция: Аналитик-разработчик
Куда: Купер (ех СберМаркет)
Формат работы: Полная занятость. Полная удаленка, есть возможность работы из офиса в Москве, м. Новокузнецкая
Вилка (gross): 250-350к gross

Про команду: DS-команда краткосрочной эффективности операций - создает и развивает технологии баланса спроса и предложения в сервисе (технологии мы называем сокращенно сурж). У нас уже есть написанный сервис для плановой доставки, который позволяет нам в онлайне управлять доступностью слотов для доставки, при этом есть много гипотез, которые мы хотим внедрить в алгоритм.

Что предстоит делать:
- Улучшить текущий алгоритм суржа в плановой доставке
- Разработать и внедрить сурж слотов в быстрой доставке- Находить точки роста в сурж-сервисах
- Разрабатывать новые решения для регулирования спроса

Что классного в вакансии:- мы делаем алгоритмические решения для операций, а операции - сердце бизнеса Купера
- у нас нет работы в стол: мы быстро проверяем гипотезы и либо развиваем сервис, либо не работает впустую
- мы даем много творческой свободы: для нас важно найти решение бизнес-проблем

Стек
- Пишем на Python и SQL;
- Данные храним в ClickHouse, S3;
- Прототипируем в Jupyter, успешные эксперименты переносим на Airflow + Kubernetes;

Требования к кандидату- совокупный опыт работы в дата-аналитике/продуктовой аналитике/ds от 2 лет
- уверенное владение Python и SQL;
- Git, Bash, Docker, Gitlab CI
- опыт полного цикла внедрения моделей или аналитико-разработческих систем (сбор данных, обучение и оценка модели/написание алгоритма, проведение А/Б-тестов, выкатка в прод);
- самостоятельность, инициативность и умение декомпозировать при решении задач.

Ответы на 10 важных вопросов:
1.Данные: собираем данные как в клиентской части (заказы, детализация заказов, логи в приложении), так и в курьерской части (выполенные заказы, выбранные смены, логи курьерского приложения)
2.Железо: Для работы - Macbook. ML ресурсы нашей компании находятся в Yandex.Cloud, группе ML предоставляются виртуальные машины с GPU A100/V100, ноды с GPU в клаудных кубернетисах для прогона дагов, и еще большой список нод для иной нагрузки, не вовлекающей ГПУ, такой как Trino, Airflow, прогона кастомного кода.
3.Масштаб влияния на core-бизнес? Осень-зима - самый активный период бизнеса Купера; технологии, которые разрабатывает команда ML-операций, поддерживают качество и эффективность сервиса, мы напрямую влияем на бизнес.
4.Уровень развития Data Science в компании? Data Science является ключевым направлением развития компании, команда проникла во все домены бизнеса, сейчас есть 6 команд, создающие решения для своего домен: операции, поиск, рекомендательные системы, маркетинг, контент и ads-платформа. Есть отдельная команда MLOps, развивающая платформу длдя удобной работы.
5.Роль дата сайентиста: DS в команде делает работу полного цикла: от исследования идея до выкатки в продакшн.
6.Бэкграунд у вашего руководителя? linkedin
7.Как часто вам будут мешать работать? 2-5 часов организационных встреч в неделю: командные процессы (дейли, планирования, ретро, грумминги) + синки с продуктом и вертикалью операций
8.Карьерный рост: перфоманс ревью 2 раза в год
9.Prod/Research: 50/50, поэтому позиция - аналитик-разработчик: мы ожидаем, что будут и вопросы для изучения и продумывания, также и реализация в продакшне.
10.Функция сервиса или лидера? 60/40 в сторону лидера, задачи, которые предлагаем на этой позиции, не решались, их нужно придумать и реализовать, и мы ждём самостоятельности и инициативности.
Направляйте ваши резюме ✈️@daria_lagodyuk

Позиция: Senior Data Analyst
Куда? Хантфлоу, Data Science команда.
Формат работы: Удаленно в РФ или Москва (с возможностью посещать офис, м. Дмитровская). Возможно оформление не в РФ с работой по всему миру.
Вилка (на руки): 250-400 тыс. руб. (или эквивалент в евро)

Описание вакансии

Хантфлоу — компания в области HRTech, предоставляющая передовые решения для автоматизации рекрутинга. Наш продукт помогает компаниям эффективно закрывать вакансии, сокращая время на поиск и отбор кандидатов. Подробнее о компании вы можете узнать на сайте.
Сейчас мы стремимся развивать аналитическое направление и ищем опытного Senior Data Analyst, который станет первым аналитиком в компании и поможет заложить основы этой функции.
Основной спектр задач аналитического направления будет включать:

- Задачи от бизнес-юнитов компании: автоматизация расчета метрик, построение дашбордов, формирование и проверка гипотез по улучшению бизнес-процессов.
- “Внутренние” задачи в команде Data Science: проведение А/Б тестов, мониторинг моделей.

Кроме непосредственного решения задач, Вы также будете играть важную роль в оценке необходимости дополнительных ресурсов, включая потенциальный найм новых аналитиков и выделение роли Data Engineer. На этой роли возможен постепенный рост в руководителя аналитики.

Что нужно делать?

- Создавать и развивать интерактивные дашборды для мониторинга ключевых показателей бизнеса.
- Взаимодействовать с бизнес-заказчиками: совместно разрабатывать гипотезы, формулировать задачи и анализировать результаты.
- Презентовать аналитические выводы и рекомендации бизнес-заказчикам, обеспечивая их понимание и внедрение.
- Налаживать ETL-пайплайны, необходимые для решения аналитических задач.
- Формировать и продвигать аналитическую культуру в компании, обучая коллег и внедряя лучшие практики.

Требования

- Опыт работы в качестве Data Analyst не менее 4 лет.
- Подтвержденный успешный опыт внедрения аналитических решений и их влияния на бизнес-результаты.
- Технологический стек: Python (sklearn, pandas, numpy), SQL, Git, Docker, Airflow.
- Опыт работы с инструментами визуализации данных (Tableau/Power BI/DataLens/Superset)
- Опыт создания и внедрения интерактивных дашбордов.
- Опыт разработки и оптимизации ETL-пайплайнов.

Условия:
- Рабочий mac
- Профессиональное обучение и повышение квалификации за счет компании
- Расширенная программа ДМС со стоматологией, вызовом врача на дома и полисом путешественника — после испытательного срока
- Ежемесячная компенсация оплаты интернета при работе из дома, или проезда при работе из офиса
- 12 дней «без больничного» в год.

Ответы на 10 важных вопросов:
1. Данные:
- Более 40 млн кандидатов в базе
- Более 100 тыс. вакансий
- Более 300 млн действий по кандидатам
- 8 лет истории
2. Железо:
- Рабочий MacBook Pro
- Аренда облачных серверов с GPU
3. Масштаб влияния:
Для компании Data Science — «The Next Big Thing» и ключевое направление в развитии компании. Есть возможность сыграть ключевую роль в становлении аналитической функции.
4. Уровень развития Data Science в компании:
В плане аналитики — чистое поле. Роль подразумевает зарождение аналитической функции.
5. Чем занимаются дата сайентисты в компании:
Дата аналитиков сейчас в команде нет, ожидаются те функции, что описаны в вакансии.
6. Какой бэкграунд у вашего потенциального руководителя:
linkedin (https://www.linkedin.com/in/koptelov-dmitrii/)
7. Как часто вам будут мешать работать:
1 час еженедельного синка по задачам
8. Карьерный рост:
На этой роли возможен рост в руководителя аналитики
9. Research/Prod: Prod
10. Функция сервиса или лидера?
в большей степени функция лидера

✉️ Резюме отправляйте на почту: [email protected]
✈️ По вопросам в тг: @meacca

? Ищем к себе в Лабораторию

Позиция: Стажер по направлению Deep Learning

Куда? Альфа-Банк, Лаборатория машинного обучения, монетизация нейронных сетей.

Формат работы: Москва, м. Технопарк. Возможна полная удаленка.

Вилка (gross): 60К, при успешной стажировке переход на Junior: 120-240K + ежеквартальный бонус ~ 15% (от дохода за квартал)

Что предстоит делать на этой позиции?
Под руководством ментора совершенствовать наши модели глубокого обучения на последовательных данных для применения во всевозможных процессах в банке

Что ожидаем от кандидата:
- Крепкая база по DL, наличие солидных и самостоятельно выполненных проектов с использование глубокого обучения
- Умение читать и понимать статьи по DL, имплементировать наработки из статей самостоятельно
- Знание классического ML.
- Уверенное владение ML- и DL-стеком Python: Pytorch, lightgbm/xgboost/catboost, Scikit-Learn, Pandas, Numpy.
- Умение работать с инструментами Spark, Hadoop, Hive - как преимущество

Будет большим плюсом:
- Призовые места на сореврованиях
- Выполненные проекты по использованию последовательных данных
- Умение перенести архитектуру из статей в код модели

Ответы на 10 важных вопросов в оригинальной статье, бэкграунд непосредственного руководителя - linkedin мини-интервью

Подробнее о том, чем занимается наша команда, можно почитать тут
1. https://habr.com/ru/companies/alfa/articles/709416/
2. https://habr.com/ru/companies/alfa/articles/551130/
3. https://habr.com/ru/companies/alfa/articles/657577/

Присылайте резюме в TG @Aleksey_Firstov с форматом «Стажер_Фамилия_Имя»

? Ищем к себе в Лабораторию двоих специалистов для развития AutoML и AutoDL сервисов.

Позиция: Junior/Middle/Senior Data Scientist, 2 позиции.

Куда? Альфа-Банк, Лаборатория машинного обучения, монетизация нейронных сетей.

Формат работы: Москва, м. Технопарк. Возможна полная удаленка.

Вилка (gross):
- Junior: 120-240k + ежеквартальная премия (~15% от дохода за квартал)
- Middle: 240-360k + ежеквартальная премия (~15% от дохода за квартал)
- Senior: 360-460k + ежеквартальная премия (~15% от дохода за квартал)

Одно из направлений работы Лаборатории в Альфа-банке - автоматизация рутинных ML процессов и внедрение новых технологий в качестве сервисов для улучшения работы. За последний год мы создали 2 сервиса автоматического моделирования - AutoML и AutoDL, кроме того несколько сервисов снимающих рутинные обязанности с DS'ов, а сегодня мы ищем новых сотрудников для их расширения и развития.

Что предстоит делать на этой позиции?
- Развивать кастомные сервисы автоматического моделирования (AutoML, AutoDL) и автоматизации рутины (веб-интерфейсы для моделей, сервисы для аналитики)
- Внедрять в сервисы новые данные и типы моделей
- Улучшать стабильность и качество текущих AutoML алгоритмов
- Оптимизировать код
- Поддерживать пользователей (технически подкованных DS)
- Работать совместно с командами DE, MLOps, Мониторинга над интеграциями сервисов в промышленную среду
- Лидировать развитие новых направлений автоматизации: в частности, автоматизацию оценки эффектов от новых источников данных

Что ожидаем от кандидата:
- Промышленный опыт разработки и внедрения нейросетевых моделей (для middle и выше).
- Знание классического ML.
- Уверенное владение ML- и DL-стеком Python: Pytorch, lightgbm/xgboost/catboost, Scikit-Learn, Pandas, Numpy.
- Умение работать с инструментами Spark, Hadoop, Hive.
- Опыт перевода бизнес-задач в термины ML (для middle и выше).

Будет большим плюсом:
- Контрибьют в ML-библиотеки
- Опыт full-stack разработки
- Успешный соревновательный опыт
- Навыки с NAS, математической оптимизацией

Ответы на 10 важных вопросов в оригинальной статье. Про непосредственного руководителя - Kaggle Competition Master, linkedin
Наши сервисы: AutoML , AutoDL (AutoDL)

Присылайте резюме по почте [email protected] с темой “DS в Лабораторию”.

Позиция: Маркетинговый аналитик
Куда? Альфа-банк, Маркетинг, Ангелы Альфы
Формат работы: Гибрид: Москва, м. Технопарк + удаленно. Но можно и полностью удалённо. Просто по вторникам мы собираемся в офисе, но это необязательно.
Вилка гросс: 120к - 160к гросс + квартальная премия 15%

Что нужно делать?
• Анализировать эффективность рекламных размещений в социальных сетях;
• Объяснять команде на цифрах, почему что-то отработало плохо, а что-то хорошо. К примеру, почему где-то нужен мем (или мэм?), а где-то нет;
• Контролировать и оценивать эффективность рекламных закупок в социальных сетях. Расскажем как мы делаем, а потом ты сам нас научишь, как лучше;
• Помогать команде следить за бюджетом: планирование, сравнение факта с планом и корректировка бюджета как в большую, так и в меньшую сторону;
• Строить дашборды. Как бы избито и шаблонно это не звучало.

Требования:
• Желателен опыт работы с анализом рекламных размещений (телеграм, ВК);
• Продвинутый уровень excel, но в основном нужны Google Sheets;
• Уметь ловко собирать понятную картину из разрозненных данных;
• Уметь без стеснения объяснять на цифрах, почему кто-то не прав;
• Превращать непонятный устный бриф в чёткий образ результата. И отработать его ?

Ответы на 10 важных вопросов:
1. Данные: собираются автоматически из рекламных кабинетов или через мониторинговые системы, да и по классике — вручную. Однако чёткого процесса пока нет
2. Железо: выделенных серверов нет, вычисления локально ? По ноуту всё обсуждаемо.
3. Масштаб влияния на core-бизнес? Мы не бизнес, а маркетинг. Делаем так, чтобы бизнес выглядел максимально sexy
4. Уровень развития Data Science в компании? В Альфе всё с этим хорошо, однако до маркетинга пока только добирается ?
5. Роль дата сайентиста: Помогать команде принимать рациональные взвешенные и эффективные решения. А то сами знаете этих эмоциональных маркетологов
6. Бэкграунд у вашего руководителя? Руководитель не аналитик, но поможет всеми возможными ресурсами, чтобы вы развивались и росли. Главное — общаться и снесняться давать обратную связь в моменте, не копить в себе ? Linkedin Статья на VC, когда ещё работал в Бланке тг-канал - @ismailtot
7. Как часто вам будут мешать работать? Обсудим, как будет удобно. Никто не хочет загружать ненужными встречами. Главное — результат
8. Карьерный рост:Пересмотр зарплат раз в год, но карьерный рост зависит от уровня инициативности и амбиций.
9. Prod/Research: не применимо
10. Функция сервиса или лидера? Лидер сервиса, который из текущего хаоса построит понятную картину для команды и захочет дальше собирать команду

Направляйте ваши резюме - ? [email protected] ✈️ @vwvwvwika

? Ищем к себе в Лабораторию стажеров на NLP

Позиция: Стажер NLP (4 позиции)
Куда?: Альфа-Банк, Лаборатория Машинного Обучения, отдел NLP
Формат работы: Полная занятость на период стажировки (4-6 месяцев). Удаленная работа или возможность работы из офиса в Москве
Вилка гросс: 60К, при успешной стажировке переход на Junior: 150-200K + ежеквартальный бонус ~ 15% (от дохода за квартал)

Про нас:
Помогаем автоматически обрабатывать обращения клиентов за счет моделей для ботов в чате и голосовом канале. Снижаем рутину в работе оператора благодаря моделям для ассистента оператора и автоматической классификации обращений клиентов на 1000+ классов. Покрываем широкий класс nlp-задач: поиск инсайтов в обратной связи клиентов, классификация новостей с целью выявления событий комплаенс контроля, автоматизация обращений сотрудников в helpdesk, выявления алертов в качестве обслуживания, автоматизация контроля качества контактного центра и многие другие nlp-задачи. Команда приступает к следующему этапу развития через развитие экспертизы в LLM. Подробнее про часть задач можно узнать в треке nlp in practice.

Тебе предстоит:
- Улучшать действующие модели в непрерывном цикле, состоящем из поиска инсайтов->разметки->моделирования->аб-тестирования
- Строить RAG-пайплайны для обслуживания сотрудников и клиентов Альфы
- Дообучать LLM на банковском домене данных
- Улучшать качество и эффективность моделей ассистента оператора
- Использовать LLM для автоматизации процессов разметки данных
- Развивать комплекс моделей для улучшения качества работы операторов и менеджеров в отделениях (контроль качества, суммаризация диалогов, семантический поиск, выявление инсайтов)

Ответы на 10 важных вопросов в оригинальной статье

Резюме направляйте на почту ✉️[email protected] с темой «Стажер в лабораторию»,
Вопросы пишите в ✈️@IkIzma.

Позиция: Стажер дата-аналитик
Компания: Х5 Group
Формат: Продолжительность стажировки 4-6 месяцев (full-time!)
Локация: Удаленная работа (но по желанию можно работать из офиса, г. Москва)
Вилки: Оклад 60 тыс.руб. gross
Начало стажировки: ~июнь 2024 г.

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!

Задачи:
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 будущего эксперимента на магазинах или лояльных клиентах или на оценку экономических эффектов от бизнес-инициатив
А если и этого мало, то вот примеры других продуктовых задач и задач на ad-hoc аналитику (в том числе и на ML), с которыми мы имеем дело:
- Разработка модели, определяющей ежедневное оптимальное количество сотрудников магазина
- Разработка алгоритма поиска комплементарных товаров и товаров-аналогов
- Кластеризация магазинов сети на группы похожих по различным параметрам
- Задача по распричиниванию случившихся списаний в магазине (сколько товара списали по причине Х)
- И многое другое

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
- Обладаешь аналитическим складом ума, наблюдательностью и успешно практикуешь метод пристального взгляда
- Любишь мемы (желательно, но необязательно)
- Преимуществом будет владение бигдатой и ML

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 Macbook Pro или Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают 20000 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 и вопросы направлять сюда: ✈️ @didi_ulyanova

? Ищем к себе в Лабораторию

Позиция: Middle/Senior Data Scientist.

Куда? Альфа-Банк, Лаборатория машинного обучения, монетизация нейронных сетей.

Формат работы: Москва, м. Технопарк. Возможна полная удаленка.

Вилка (gross):

- Middle: 240-360k + ежеквартальная премия (~15% от дохода за квартал)
- Senior: 360-460k + ежеквартальная премия (~15% от дохода за квартал)

Что предстоит делать на этой позиции?

- Отвечать за полный цикл разработки нейросетевых моделей для инвестиционного бизнеса Альфа-Банка.
- Участвовать в коммуникации с бизнес-заказчиками: проводить интервью заказчика, формулировать технические и бизнес-требования к разрабатываемым моделям, презентовать результаты разработки моделей, оценивать их финансовый эффект.
- Разрабатывать дизайн экспериментов для оценки качества моделей в бизнес-процессах.
- Совместно с командой DE реализовывать ETL-процессы подготовки данных для моделей.
- Совместно с командой MLOps отвечать за внедрение моделей в систему исполнения и дальнейшую интеграцию с системами заказчика.
- Совместно с командой мониторинга ставить разработанные модели на регулярный мониторинг.
- Искать и проверять гипотезы по улучшению моделей за счет использования новых источников данных и архитектур.

Что ожидаем от кандидата:

- Промышленный опыт разработки и внедрения нейросетевых моделей.
- Знание классического ML.
- Уверенное владение ML- и DL-стеком Python: Pytorch, lightgbm/xgboost/catboost, Scikit-Learn, Pandas, Numpy.
- Умение работать с инструментами Spark, Hadoop, Hive.
- Опыт перевода бизнес-задач в термины ML.

Будет большим плюсом:

- Опыт работы в финтехе, телекоме на аналогичных позициях.
- Опыт применения моделей ML в бизнес-процессах в роли заказчика.
- Опыт работы с моделями рекомендаций.
- Опыт работы с графовыми моделями.

Ответы на 10 важных вопросов:

1. Данные: Hadoop + частично DWH. Историчность с 2016 г.

2. Железо. Разработка моделей: до 64 ядер CPU + 600 ГБ RAM + 2xNVIDIA A100 80GB. Продакшн: cистема исполнения моделей + команда MLOps + команда DE + команда поддержки. Для работы: MacBook.

3. Масштаб влияния на core-бизнес. Все линии бизнеса покрыты ML моделями, где необходимо – успешно внедрен DL.

4. Уровень развития Data Science в направлении. Все ключевые процессы покрыты моделями. Модели постоянно совершенствуются в целях максимизации финансового эффекта.

5. Роль дата сайентиста. Полное участие DS во всех этапах жизненного цикла моделей от идеи до внедрения. Плотное общение с бизнес-заказчиком начиная от постановки задачи и заканчивая деталями применения модели в процессе.

6. Бэкграунд у вашего руководителя. linkedin мини-интервью

7. Как часто вам будут мешать работать (операционный ритм встреч). 2 еженедельные встречи с командой (по ~1.5 часа).

8. Карьерный рост. Карьерная лестница в компании с утвержденным перечнем компетенций на каждой позиции. Круглые столы для рассмотрения кандидатов на продвижение 1 раз в квартал.

9. Prod/Research. Prod. Основная цель – покрытие нейросетевыми моделями core-бизнес задач Банка.

10. Функция сервиса или лидера. Сервис для внутреннего заказчика (бизнес) – 80%, поиск зон для роста компании и продвижение идей бизнесу – 20%.

Присылайте резюме в TG @Aleksey_Firstov или по почте [email protected] с темой “DS в Лабораторию”.

Позиция: Middle Data Scientist
Куда: Озон Fintech, Отдел моделирования банковских продуктов, группа моделирования продуктов B2C.
Формат работы: Гибрид: Москва, м. Международная/Деловой центр/Выставочная + удаленно.
Вилка гросс: 200-300k гросс + премии 1 оклад каждые пол года

Что нужно делать?
- Создавать и поддерживать ML-модели для работы с розничными клиентами
- Развивать внутренние инструменты для построения моделей
- Генерировать и применять в моделях новые фичи
- Участвовать в постановке задачи, выбирать приоритетные направления для моделирования
- Анализировать влияние моделей на бизнес
- Организовывать и дорабатывать мониторинг

Требования:
- Умение работать с данными (анализ, очистка, подготовка, отбор и создание признаков), навыки написания SQL-запросов и Pyspark-пайплайнов
- Хорошее знание теории вероятности, математической статистики и методов машинного обучения
- Опыт в разработке моделей машинного обучения от 1 года
- Опыт работы c пакетами для анализа данных на Python3 (numpy, pandas, scikit-learn, xgboost, lightgbm, catboost, etc)
- Опыт работы с git
- Опыт работы с Airflow

Ответы на 10 важных вопросов:
1. Данные: обилие данных маркетплейса Озон
2. Железо: Разработка моделей: kuber с ресурсами под потребность. Продакшн: ML Platorm для быстрого внедрения моделей. MacBook для работы
3. Масштаб влияния на core-бизнес? Модели - основа кредитного бизнеса и важная оставляющая большинства продуктов компании
4. Уровень развития Data Science в компании? Высокая степень зрелости. Роль дата сайентиста: ДС-ы участвуют в постановке задачи совместно с заказчиками, обучают и документируют модель, подготавливают код для внедрения в прод, сопровождают модели после внедрения
6. Бэкграунд у вашего руководителя? linkedin
7. Как часто вам будут мешать работать? 2 часа организационных встреч в неделю.
8. Карьерный рост: Ревью раз в пол года.
9. Prod/Research: Prod. Модели должны приносить пользу бизнесу
10. Функция сервиса или лидера? Больше функция лидера, нужно помогать бизнесу находить точки роста

? [email protected] @v0lkoff