Аналитик по данным AI/ML
Оценка ИИRubytech — известный системный интегратор, предлагающий работу с актуальным стеком (LLM, NLP). Вакансия привлекательна четкими требованиями и возможностью работать в Москве в технологичной компании.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИТребуется сочетание классического анализа данных (SQL, Python) с современными навыками в области NLP и LLM. Необходим опыт мониторинга моделей в продакшене, что повышает планку для кандидатов с небольшим стажем.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции аналитика AI/ML с опытом от 1 года в Москве рыночный диапазон составляет 150 000 – 250 000 рублей. Предложение будет конкурентоспособным, если попадет в этот интервал.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*🔥*Аналитик по данным AI/ML
Rubytech Москва
Требования: *✅*Профильное образование по специальности "Искусственный интеллект" или "Прикладная математика"
*✅️*Коммерческий опыт работы с анализом данных в ML/AI ≥1 год.
*✅️*Глубокое знание Python и библиотек для анализа данных (Pandas, NumPy, SciPy).
*✅️*Опыт проведения EDA и feature engineering для ML-моделей.
*✅️*Навыки работы с SQL (сложные запросы, оконные функции).
*✅️*Опыт визуализации данных (Matplotlib/Seaborn/Plotly) и подготовки аналитических отчетов.
*✅️*Понимание метрик оценки моделей.
*✅️*Базовые знания NLP и LLM и оценки качества генерации текста.
*✅️*Опыт мониторинга данных и моделей в production (выявление дрейфа, аномалий).
*✅️*Желательные:
• Умение работать с неструктурированными данными.
• Опыт применения статистических методов и A/B тестирования.
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- A/B Testing
- Python
- NumPy
- Pandas
- Matplotlib
- LLM
- SQL
- NLP
- Feature Engineering
- SciPy
- EDA
- Seaborn
- Plotly
Возможные вопросы на собеседовании
Проверка навыков подготовки данных для обучения.
Расскажите о самом сложном кейсе feature engineering в вашей практике: какую проблему вы решали и как это повлияло на метрики модели?
Оценка понимания жизненного цикла модели в продакшене.
Как вы организуете мониторинг дрейфа данных (data drift) и концептуального дрейфа (concept drift) для работающей модели?
Проверка актуальных знаний в области генеративного ИИ.
Какие метрики вы используете для оценки качества ответов LLM и в чем заключаются основные сложности такой оценки?
Проверка владения SQL для аналитических задач.
Напишите пример оконной функции, которую вы использовали для анализа временных рядов или поведения пользователей.
Оценка навыков визуализации и коммуникации.
Как вы выбираете тип визуализации для представления результатов EDA стейкхолдерам, не имеющим технического бэкграунда?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
