#МТС: Lead Data Scientist [Мой МТС] Big Data
#Офис / #Гибрид / #Удаленно
#Москва

⚙️ Требования:
• Уверенные теоретические знания #ML;
• Понимание алгоритмов рекомендаций;
• Сильный #python;
• Уверенное знание hadoop - стека, опыт работы с большими данными;
• Опыт выкатки моделей в прод с оффлайн или рантайм инференсом;
• Опыт написания микросервисов.

⚡️ Что делать:
• Анализировать требования заказчиков: понимать и анализировать потребности конечных пользователей продукта, конвертировать их в технические и бизнес-требования;
• Проактивно прорабатывать и реализовывать решения на основе аналитики и ML для улучшения бизнес метрик;
• Декомпозировать задачи, которые нужно сделать, чтобы вместе с командой разработчиков превратить планы в работающие на проде сервисы;
• Отвечать за техническое качество предлагаемых решений и сроки их реализации.

🚀Откликнуться

#Яндекс: Тимлид в команду Аналитики GPT Алисы
#Офис / #Гибрид
#Москва

⚙️ Требования:
• Готовы не только быть лидом, но и самостоятельно работать руками;
• Знаете теорвер и матстат;
• Глубоко владеете #sql, #python;
• Работали в #ML-проектах: с #NLP, crowdsource-разметками и ML;
• Умеете писать аналитический production-код и создавать сложные метрики на основе разметок;
• Можете транслировать видение продукта или проекта в иерархию метрик;
• Способны управлять командой аналитиков, поддержки разметок, редакторов, асессоров для контроля качества данных;
• Работали как с Data Science, так и с продуктовой аналитикой;
• Создавали и тестировали метрики, визуализировали данные;
• Обладаете навыками анализа, строили эффективные процессы обработки данных.

⚡️ Что делать:
• Создавать метрики качества и датасеты для обучения ML-моделей;
• Проводить А/В-эксперименты и офлайн-замеры качества;
• Управлять бригадой аналитиков и участвовать в найме.

🚀Откликнуться

#Озон: Data Scientist, Факторы ранжирования
#Офис #Москва

⚙️ Требования:
• Опыт работы в Data Science от 3-х лет;
• Уверенные теоретические знания #ML;
• Сильный #python;
• Уверенное знание hadoop-стека, опыт работы с большими данными.

⚡️ Что делать:
• Заниматься полным циклом разработки факторов для моделей ранжирования со стороны ML: исследование исходных данных, автоматизации пайплайнов для регулярных расчетов факторов и агрегатов на pyspark, проведение приемки разработанных факторов;
• Разрабатывать новые сложные факторы ранжирования в поиске и каталоге: текстовые на основе foundation-моделей, персонализация, факторы из рекомендаций и др.;
• Искать подходящие ML решения для бизнес-задач, планировать и проводить оффлайн и онлайн (А/Б) эксперименты.

🚀Откликнуться

#Wildberries: Team Lead ML/DS в команду BNPL
#Офис / #Гибрид
#Москва

⚙️ Требования:
• Опыт управления командой от 3 лет;
• Опыт разработки моделей и вывода их в продакшн;
• Опыт построения feature store и ETL процессов;
• Будет плюсом опыт построения моделей в кредитных продуктах.

⚡️ Что делать:
• Собрать команду #ML и построить направление;
• Собирать данные, обучать модели;
• С нуля выстроить MLOps совместно с командой DWH;
• Построить первый feature store Финтеха;
• Построить пайплайн обучения моделей и запустить его.

➡️ Кому подойдет:
Вы будете строить feature store продукта, обучать первые модели оценки кредитоспособности человека, вместе с аналитикой выкатывать их в production и постоянно внедрять новые решения.

🚀Откликнуться

#Самокат: Middle+ Data Scientist
#Офис / #Гибрид / #Удаленно
#Москва #Спб

⚙️ Требования:
• Опыт работы в DS от 3 лет;
• Уверенное владение #sql и #python;
• Опыт с Hadoop / PySpark и polars;
• Знания и опыт работы с алгоритмами классического #ML, алгоритмами оптимизации.

⚡️ Что делать:
• Прогнозирование спроса;
• Модели эластичности;
• Прогнозирование промо: оценка экономической эффективности завершенных акций, прогнозирование эффекта для будущих акций, определение ассортимента, выбор промо-механик и настройка порогов для них);
• Ранжирование товарных предложений;
• Приоритизация заведения нового ассортимента.

➡️ Кому подойдет:
Для эффективной работы сервисов Самокат активно использует модели машинного обучения, число которых измеряется десятками (ценообразование, прогноз спроса, рекомендации). Каждая из моделей вносит существенный вклад в развитие бизнеса, разрабатывает их команда, каждый участник которой влияет на продукт напрямую.

🚀Откликнуться

#VK: Machine Learning Engineer
#Удаленно

⚙️ Требования:
• Уверенное владение основами #ML;
• Знание основ #DL;
• Владение #python и базовыми Machine Learning и Deep Learning библиотеками;
• Понимание принципов работы со звуком;
• Знание базовых алгоритмов и структур данных;
• Умение писать промышленный код;
наличие базовых навыков работы с unix-подобными операционными системами.

⚡️ Что делать:
• Обучать нейронные сети и алгоритмы векторного поиска;
• Разрабатывать эвристические алгоритмы, улучшающие качество распознавания;
• Поддерживать и развивать системы мониторинга и тестирования качества распознавания;
• Оптимизировать производительность существующих алгоритмов;
• Изучать научную литературу по теме и предлагать различные варианты улучшения системы.

➡️ Кому подойдет:
Основной предстоящей задачей является развитие и внедрение системы распознавания аудиоконтента.

🚀Откликнуться

#Яндекс: ML-разработчик в службу исследований и разработки нейронных моделей Поиска
#Офис

⚙️ Требования:
• Разбираетесь в #DL и получили практический опыт в этой области в крупной компании или лаборатории;
• Понимание классического #ML, статистики и математики;
• Владеете базовым инструментарием DL-разработчика;
• Не боитесь проводить трудоёмкие исследования, умеете находить точки роста в нетривиальных ML-системах;
• Регулярно знакомитесь с актуальными исследованиями в DL-литературе.

⚡️ Что делать:
• Исследовать существующие архитектуры или разрабатывать и патентовать свои;
• Работать над инфраструктурой обучений и применений моделей в рантайме Поиска;
• Исследовать устойчивые связи между различными стадиями Поиска и архитектурами моделей;
• Изобретать новые таргеты, датасеты и всё, что связано с исследованием и внедрением универсальных и эффективных нейронных моделей.

➡️ Кому подойдет:
Решение поисковой задачи требует от разработчика большого набора навыков и определённой доли искусства в обращении с данными. В стремлении сделать Поиск лучше команда занимается широким спектром задач.

🚀Откликнуться

#МагнитTech: CV Engineer
#Офис / #Гибрид / #Удаленно
#Москва

⚙️ Требования:
• Опыт работы в качестве #ML Engineer или #CV Engineer от 3х лет;
• Знание классических моделей классификации, сегментации и детекции (EfficientNet, Unet, YOLO, etc.);
• Знание основных SOTA подходов
опыт в оптимизации сетки или желание в этом разобраться.

⚡️ Что делать:
• Разрабатывать end-end CV решения
обучать и внедрять SOTA решения для задач классификации, сегментации, детекции и генерации;
• Оптимизировать и ускорять модели
участвовать в проектах на основе генеративных и мультимодальных нейронных сетей;
• Стек: #python, Pytorch, PyTorch Lightning, Open CV.

🚀Откликнуться

#Иннотех: ML инженер
#Офис #Москва

⚙️ Требования:
• Знания в области разработки ПО;
• Знание PostgreSQL в части #SQL;
• Опыт работы с Airflow или другими системами управления моделями #ML;
• Понимание, как перевести модель в производство, ключевые понятия — data drift, model retraining strategies
• Опыт настройки CI/CD. Разработка решения ML. Интеграция A/B-тестирование;
• Знание фреймворков MLFlow, Kuberflow, MLRun;
• Контейнеры Docker и системы управления контейнерами Kubernetes;
• Знание #python, Django (ORM Models) либо SqlAlchemy.

⚡️ Что делать:
• Внедрять модель;
• Поддерживать внедренные модели;
• Дообучать, следить за их качеством;.

🚀Откликнуться

#Озон: Senior Data Scientist, Подгруппа анализа данных
#Офис #Москва

⚙️ Требования:
• Опыт написания продакшн кода, в идеале для #ML-решений: #рексис, #CV, #LLM;
• Хорошее знание базовых алгоритмов и структур данных;
• Уверенное знание и опыт применения паттернов разработки;
• Базовые навыки систем-дизайна и ml-систем-дизайна;
• Уверенные знания математики и машинного обучения.

⚡️ Что делать:
• Создавать масштабируемые и отказоустойчивые сервисы предиктивной аналитики;
• Осуществлять супервизию архитектуры текущих сервисов;
• Создавать SOTA-модели потребления критических инфраструктурных ресурсов;
• Решать задачи численной оптимизации, задачи оптимальной упаковки;
• Участвовать в Code review, имплементации лучших практик разработки масштабируемых систем, помогать в развитии hard скиллов команды.

➡️ Кому подойдет:
Основная задача Подгруппы анализа данных - точно прогнозировать рост нагрузки на разные компоненты системы.

🚀Откликнуться