- Страна
- Казахстан
- Зарплата
- от 2 000 000 ₽
Откликайтесь
на вакансии с ИИ
Data Scientist
Оценка ИИПривлекательная вакансия с высокой для региона «белой» зарплатой и современным технологическим стеком (GenAI, MLOps). Из минусов — строгий офисный формат 5/2, что может подойти не всем специалистам уровня Senior.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованием Senior-уровня (от 3 лет опыта) и широким стеком: от классического ML и статистики до продвинутого Generative AI (RAG, fine-tuning) и MLOps. Также требуется работа в офисе в Астане и уровень английского B2+.
Анализ зарплаты
Оценка ИИПредлагаемая зарплата от 2 000 000 ₸ (около 4 500 USD) значительно выше медианы для Data Scientist в Казахстане, которая обычно составляет 1.2–1.5 млн ₸ для Senior-позиций. Это предложение находится в верхнем дециле рынка Астаны.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Capital Network уже сейчас
Присоединяйтесь к команде Capital Network в Астане и внедряйте передовые решения в области Generative AI и MLOps!
Описание вакансии
#jobs
📍 Формат/working arrangement: офис, г.Астана
✔️ Должность/position: Data Scientist
🏢 Место работы/workplace: TOO Capital Network https://c-network.kz/
💸 Заработная плата/salary estimate: от 2 000 000 ₸ на руки
📈 Обязанности/responsibilities:
• Сбор, очистка и анализ больших объёмов данных из различных источников
• Построение и валидация статистических моделей, проведение A/B-тестов и экспериментов
• Разработка моделей машинного обучения (классификация, регрессия, кластеризация, рекомендательные системы, временные ряды)
• Работа с Generative AI: использование LLM для анализа текста, генерации фич, summarization и agentic решений
• Создание дашбордов и визуализаций для презентации результатов стейкхолдерам
• Перевод бизнес-задач в формулировки data science проектов и наоборот
• MLOps: подготовка моделей к продакшену (в сотрудничестве с инженерами), мониторинг качества моделей, drift detection
📌 Требования/requirements:
• От 3 лет коммерческого опыта в Data Science / Machine Learning (Senior уровень)
• Глубокие знания математики и статистики: теория вероятностей, линейная алгебра, математическая статистика, проверка гипотез, байесовские методы
• Python на экспертном уровне: pandas, NumPy, scikit-learn, SciPy, Matplotlib/Seaborn, Jupyter
• Опыт работы с ML: XGBoost, LightGBM, CatBoost
• Deep Learning: PyTorch или TensorFlow/Keras
• Generative AI и LLM: LangChain, LlamaIndex, prompt engineering, RAG, fine-tuning
• SQL на продвинутом уровне (сложные запросы, оптимизация, window functions)
• Визуализация данных: Tableau, Power BI, Grafana, Streamlit или Dash
• Понимание MLOps: Docker, MLflow, Airflow, мониторинг моделей, A/B-тестирование в production
• Работа с большими данными: Spark, Hadoop или облачные инструменты (AWS SageMaker, Yandex DataSphere, Google Vertex AI и др.)
• Английский язык: B2+ (чтение технической документации и научных статей)
✅ Условия/working conditions:
• График 5/2, 09:00–18:00
• Работа в офисе (адрес: Туран 42)
• Оформление в штат, белая зарплата
• Обеды за счет компании
• Уровень дохода обсуждается индивидуально
📢❗️🚨 Контакты для связи:
Telegram: Откликнуться
Whatsapp: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- Machine Learning
- Deep Learning
- Generative AI
- LLM
- PyTorch
- TensorFlow
- XGBoost
- CatBoost
- LightGBM
- Pandas
- NumPy
- Scikit-learn
- MLOps
- Docker
- MLflow
- Airflow
- Spark
- Hadoop
- Tableau
- Power BI
- RAG
- LangChain
Возможные вопросы на собеседовании
Вакансия включает работу с LLM и агентскими решениями. Важно понимать, как кандидат оптимизирует точность ответов.
Расскажите о вашем опыте внедрения RAG-систем: какие стратегии индексации и поиска вы использовали для улучшения качества ответов?
В требованиях указан мониторинг моделей и drift detection. Это критично для стабильности систем в продакшене.
Как вы организуете мониторинг качества моделей после деплоя? Какие метрики используете для обнаружения data drift и model drift?
Позиция требует глубоких знаний статистики. Проверка гипотез — основа A/B тестирования.
Как вы рассчитываете необходимый размер выборки для A/B-теста и как боретесь с проблемой множественной проверки гипотез?
Работа с большими данными (Spark, Hadoop) указана в требованиях. Важно умение оптимизировать процессы.
Опишите случай, когда вам приходилось оптимизировать тяжелый SQL-запрос или Spark-job. Каких результатов удалось достичь?
Роль предполагает перевод бизнес-задач на язык DS. Это проверяет soft skills и системное мышление.
Приведите пример, когда бизнес-задача была сформулирована нечетко. Как вы формализовали её в терминах машинного обучения и какие метрики успеха выбрали?
Похожие вакансии
ML Engineer, Senior
Senior Data Scientist
Senior Data Engineer
Data Scientist Senior
Senior MLOps инженер
Senior Data Engineer (Python, PostgreSQL)
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!