- Страна
- Россия
Откликайтесь
на вакансии с ИИ

Data Scientist (Middle+/Senior)
Интересный проект на стыке Data Science и Operations Research с использованием современного стека. Однако проект ограничен по времени (5 месяцев), что может быть минусом для тех, кто ищет долгосрочную стабильность.
Сложность вакансии
Высокая сложность обусловлена сочетанием глубоких знаний ML (особенно временных рядов) и методов математической оптимизации (MILP, решатели Gurobi/CPLEX), что встречается редко. Также требуются навыки инженерии данных и DevOps.
Анализ зарплаты
В объявлении не указана зарплата, но для уровня Middle+/Senior Data Scientist с навыками оптимизации на российском рынке медиана составляет около 350,000 - 450,000 рублей в месяц. Учитывая проектный характер и высокую нагрузку, ставка может быть выше рыночной.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь уже сейчас
Отправьте свое резюме в Telegram, чтобы принять участие в разработке сложных ML-решений для оптимизации цепей поставок!
Описание вакансии
ID 3193
"Middle+
Senior"
Кол-во специалистов
1
Длительность проекта
5 мес.
Объем участия в проекте
Высокая нагрузка
~160 ч/мес
Формат взаимодействия
Удаленно
Требуемая локация специалиста
*❗️**❗️*Россия
Доступность специалиста
по МСК
Требуемое гражданство специалиста
РФ
Обязательные требования
- Отличное знание Python, опыт работы с Spark, Pyspark, SQL, работа с S3;
-Знание современных алгоритмов машинного обучения и оптимизации;
- Математическая статистика и основы машинного обучения: линейные модели, Random Forest, LSTM;
- Библиотеки градиентного бустинга: XGBoost, LightGBM, CatBoost;
- Глубокое обучение для временных рядов: LSTM, Prophet, DeepAR;
- Работа с временными рядами: очистка, прогнозирование, кросс-валидация;
- Методы дискретной оптимизации, математическое программирование (LP, MILP, MIP);
- Инструменты оптимизации (Pyomo/OR-Tools/PuLP/COIN-OR), решатели (Gurobi/CPLEX/SCIP/COPT/GLPK);
-Уверенное владение Git;
-Опыт разработки продуктового ML решения, начиная от анализа данных и заканчивая созданием прототипа: понимание архитектуры ML проектов, настройка пайплайнов данных, умение обернуть модель в базовый backend (FastAPI, Hug и другое), базовые навыки DevOps (умение работать с Docker, KubeFlow);
- Базовое понимание архитектуры web-приложений, backend-сервисов;
- Опыт работы с жизненными циклами разработки вычислительной и программной инфраструктуры;
- Высокие навыки коммуникации и решения проблем, стремление к обучению;
- Уровень английского языка - Intermediate.
Дополнительные требования
- Опыт работы с жизненными циклами разработки вычислительной и программной инфраструктуры;
- Юнит- и интеграционное тестирование, владение методологией тестирования;
- Понимание принципов CI/CD;
- ООП и принципы проектирования вычислительных систем;
- Опыт в FMCG в Supply Chain, Demand Planning, Forecasting, ERP, APS;
- Опыт работы в продуктовых командах (Agile, Scrum).
Этапы отбора
- Техническое интервью с клиентом
- Техническое интервью с заказчиком
Описание проекта и команды
Требуется Data Scientist.
Data Scientist cоздает методологии, эвристики, строит пайплайны машинного обучения для цифровых продуктов компании, а также проверяет гипотезы и находит скрытые закономерности с помощью статистики и машинного обучения. Роль предполагает разработку алгоритма машинного обучения, его продуктивизации и настройку поддержки, включая мониторинг качества данных и модели, дообучение модели в случае необходимости, написание документации по продукту.
*📩 Телеграм для связи:* Откликнуться
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Python
- Apache Spark
- PySpark
- SQL
- S3
- Machine Learning
- Random Forest
- LSTM
- XGBoost
- LightGBM
- CatBoost
- Prophet
- DeepAR
- Mathematical Programming
- Pyomo
- OR-Tools
- PuLP
- Gurobi
- CPLEX
- Git
- FastAPI
- Docker
- Kubeflow
- CI/CD
- Unit Testing
Возможные вопросы на собеседовании
Вакансия требует работы с MILP и решателями. Важно понять практический опыт кандидата в этой узкой области.
Расскажите о самом сложном кейсе дискретной оптимизации, который вы решали: какую библиотеку (Pyomo/OR-Tools) использовали и как боролись со временем сходимости модели?
Проект связан с прогнозированием временных рядов. Нужно проверить понимание специфики валидации таких данных.
Какие стратегии кросс-валидации вы применяете для временных рядов, чтобы избежать заглядывания в будущее (data leakage)?
Требуется опыт работы с большими данными.
В каких случаях вы предпочтете использовать Spark/PySpark вместо обычного Pandas, и с какими проблемами производительности в Spark вы сталкивались?
Вакансия подразумевает создание прототипов и базовый бэкенд.
Как вы организуете мониторинг качества модели (model drift) после того, как она была обернута в FastAPI и запущена в Docker?
Упоминается опыт в Supply Chain.
Какие специфические бизнес-метрики (например, MAPE, WAPE или Bias) вы считаете наиболее критичными для задач Demand Planning в FMCG?
Похожие вакансии
Data Scientist
Data Scientist Middle+, Senior
Главный инженер Контроль качества данных
Data Scientist Senior
Senior Data Engineer
Data Engineer (Senior)
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!