Data Scientist / Machine Learning Engineer
Оценка ИИТ-Банк — один из лидеров рынка с сильной инженерной культурой и масштабными задачами. Вакансия предлагает отличные возможности для профессионального роста, работу с современным стеком и сильное комьюнити, хотя уровень стресса может быть выше среднего.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИПозиция уровня Middle+ в крупном финтехе подразумевает высокие требования к знанию алгоритмов, опыту работы с продакшн-системами и пониманию бизнес-контекста. Процесс отбора в Т-Банк традиционно включает несколько этапов технических интервью и секций по системному дизайну.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для уровня Middle+ Data Scientist в Москве рыночный диапазон составляет от 250 000 до 450 000 рублей. Т-Банк обычно предлагает конкурентоспособные условия, соответствующие или слегка превышающие средние показатели по рынку финтеха.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Data Scientist / Machine Learning Engineer в Т-Банк
*📍* Москва
Aleksei Filimonov (Data Product Owner в Т-Банк) ищет Data Scientist / Machine Learning Engineer уровня Middle+ для работы над ML-решениями и развития data-driven продуктов. Роль предполагает разработку и внедрение моделей машинного обучения, анализ данных, решение бизнес-задач с помощью ML и взаимодействие с командой для создания и улучшения интеллектуальных решений.
Откликнуться или отправляйте резюме Откликнуться
Peers Media: карьера и бизнес
Чтобы разместить свою вакансию, заполните форму по ссылке
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Machine Learning
- Data Science
- Python
- Data Analysis
- MLOps
Возможные вопросы на собеседовании
Для уровня Middle+ критически важно понимать, как модель будет работать под нагрузкой и как ее обновлять.
Расскажите о вашем опыте вывода ML-моделей в продакшн: какие инструменты использовали и с какими сложностями сталкивались?
Т-Банк ценит умение связывать технические метрики с бизнес-результатами.
Как вы оцениваете бизнес-эффективность своих моделей? Приведите пример, когда внедрение ML принесло измеримую пользу продукту.
Проверка фундаментальных знаний в области классического машинного обучения.
В каких случаях вы предпочтете градиентный бустинг нейронным сетям, и наоборот? Обоснуйте выбор архитектуры.
Работа с данными — основа DS, важно понимать методы борьбы с типичными проблемами.
Как вы работаете с несбалансированными выборками и пропусками в данных при обучении моделей?
Проверка навыков проектирования сложных систем.
Спроектируйте высокоуровневую архитектуру рекомендательной системы для банковского приложения.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
