- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Data Scientist
Оценка ИИИнтересная позиция в технологичной компании с современным стеком (ClearML, K8s) и сложными задачами на стыке Audio Processing и MLOps. Гибридный формат в Новосибирске — хороший вариант для местных специалистов.
Сложность вакансии
Оценка ИИВакансия требует глубоких знаний в специфической области обработки аудио и работы с сильно несбалансированными классами, а также владения инструментами MLOps (ClearML, Kubernetes).
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, но для Data Scientist с опытом от 3 лет в Новосибирске рыночный диапазон составляет от 180 000 до 300 000 рублей. Специализация на аудио и MLOps может поднять планку выше среднего по региону.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в robotmia уже сейчас
Присоединяйтесь к команде ROBOTMIA и создавайте передовые ML-решения для работы с аудиоданными!
Описание вакансии
*🔥*Data Scientist
ROBOTMIA Новосибирск, Гибрид
Требования: *✅*Опыт в DS/ML от 3 лет, с фокусом на результат, а не на процесс;
*✅️*Умение работать с большими базами данных (ClickHouse) и писать сложные аналитические запросы;
*✅️*Опыт кластеризации данных (K-Means, DBSCAN, иерархические методы) и настройки этих алгоритмов;
*✅️*Умение выбирать и настраивать архитектуры нейронных сетей для задач классификации (CNN, RNN, LSTM, Transformer и др.);
*✅️*Опыт решения задач классификации с сильным дисбалансом классов (sampling, weighted loss, синтетические данные);
*✅️*Python, Pandas/NumPy, Scikit-learn, PyTorch/TensorFlow;
*✅️*Библиотеки для аудио: Librosa, torchaudio;
*✅️*Опыт работы с ClearML (MLflow, Weights & Biases — как альтернатива, но плюсом именно ClearML);
*✅️*Опыт разработки систем автоматического алертинга (мониторинг дрифта, аномалий, падения метрик в проде с автореакцией);
*✅️*Git, Docker, Kubernetes (понимание CI/CD для ML).
Плюсом будет:
*✅*Опыт с архитектурами RNN, LSTM, TCN, Transformer, WaveNet;
*✅️*Решения задач Source Separation или шумоподавления;
*✅️*Участие в Kaggle с задачами классификации небалансированных классов;
*✅️*Опыт работы с потоковыми данными и реальными production-системами.
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Git
- Python
- NumPy
- Pandas
- PyTorch
- Kubernetes
- Scikit-learn
- Docker
- TensorFlow
- CNN
- ClickHouse
- Transformer
- RNN
- ClearML
- LSTM
- Librosa
- torchaudio
Возможные вопросы на собеседовании
Проверка опыта работы с основной спецификой вакансии — аудиоданными.
Расскажите о вашем опыте работы с библиотеками Librosa или torchaudio: какие признаки (features) вы извлекали для задач классификации?
В описании указан акцент на дисбаланс классов. Важно понять, как кандидат решает эту проблему на практике.
Какие стратегии борьбы с сильным дисбалансом классов вы считаете наиболее эффективными для нейронных сетей, помимо взвешенного лосса?
Проверка навыков мониторинга моделей в продакшене.
Как бы вы спроектировали систему автоматического алертинга для мониторинга дрифта данных в реальном времени?
Проверка владения инструментами оркестрации ML-экспериментов.
В чем, по вашему мнению, основные преимущества ClearML перед MLflow при работе в команде?
Проверка навыков работы с большими данными.
