- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Data Scientist / ML Engineer
Оценка ИИИнтересная роль с глубоким техническим стеком и сложными задачами на стыке DS и Operations Research. Удаленный формат и работа с современными инструментами делают позицию привлекательной для Middle-специалистов.
Сложность вакансии
Оценка ИИВакансия требует редкого сочетания навыков: глубокого знания ML (особенно временных рядов) и экспертизы в математической оптимизации (LP/MILP). Дополнительную сложность создает требование к знанию специфических решателей вроде Gurobi или CPLEX.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для Middle ML Engineer с навыками математической оптимизации на российском рынке (ИП) вилка обычно составляет 250 000 – 350 000 рублей. Наличие специфических знаний в области MILP может повышать планку до верхней границы рынка.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте свое резюме через чат-бота, чтобы присоединиться к разработке сложных систем оптимизации и прогнозирования!
Описание вакансии
#DataScientist #MLEngineer
Ищем Data Scientist / ML Engineer на проект
💼Формат: удаленно
📍Локация и гражданство: РФ
📄Оформление: только по ИП
🎓Английский: от B1
♣Уровень: Middle
Обязательно:
- Уверенное знание Python и SQL;
- Хорошее понимание методов машинного обучения и математической статистики: линейные модели, Random Forest, градиентный бустинг;
- Практический опыт работы с временными рядами: подготовка данных, прогнозирование, оценка качества и кросс-валидация;
- Опыт работы с библиотеками градиентного бустинга: XGBoost, LightGBM или CatBoost;
- Знание методов математической и дискретной оптимизации: LP, MILP / MIP;
- Практический опыт работы хотя бы с одним из инструментов оптимизации: Pyomo, OR-Tools, PuLP или аналоги;
- Опыт использования оптимизационных решателей: Gurobi, CPLEX, SCIP, COPT, GLPK или аналоги;
- Опыт разработки ML-решений от анализа данных и построения модели до рабочего прототипа;
- Уверенное владение Git.
Желательно:
- Опыт применения продвинутых моделей прогнозирования временных рядов: Prophet, LSTM, DeepAR или аналогов;
- Опыт работы с большими данными и Data-инфраструктурой: Spark / PySpark, S3;
- Опыт интеграции ML-моделей в сервисы и понимание базового MLOps: FastAPI, Docker, CI/CD, KubeFlow или аналоги;
- Опыт написания unit- и integration-тестов, понимание ООП;
- Опыт в FMCG / Supply Chain / Demand Planning / Forecasting / ERP / APS.
Задачи:
- Сбор, очистка и подготовка данных из различных источников для дальнейшего анализа;
- Проведение первичного анализа данных: выявление закономерностей и аномалий, создание визуализаций;
- Разработка и внедрение моделей машинного обучения (включая регрессию, классификацию и кластеризацию), особый фокус на разработку моделей, связанных с временными рядами;
- Разработка оптимизатора, основанного на линейной и смешанно-целочисленной оптимизации, LP, MILP;
- Оценка качества моделей, настройка гиперпараметров и проведение кросс-валидации;
- Участие в интеграции моделей в бизнес-процессы компании;
- Подготовка аналитических отчетов;
- Эффективное взаимодействие с представителями бизнеса и техническими командами;
- Улучшение текущих подходов и изучение новых инструментов и алгоритмов.
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Git
- Python
- Machine Learning
- SQL
- CI/CD
- Random Forest
- Docker
- PySpark
- Spark
- XGBoost
- Kubeflow
- FastAPI
- LightGBM
- S3
- Time Series
- CatBoost
- Gradient Boosting
- Pyomo
- Gurobi
- CPLEX
- OR-Tools
- PuLP
- Prophet
- LSTM
- DeepAR
- MILP
- LP
- MIP
- SCIP
- COPT
- GLPK
Возможные вопросы на собеседовании
Проверка практического опыта работы с оптимизационными задачами, заявленными в вакансии.
Расскажите о самом сложном кейсе использования MILP в вашей практике: с какими ограничениями вы столкнулись и какой решатель выбрали?
Временные ряды — ключевой фокус вакансии. Важно понять, как кандидат борется с утечкой данных.
Как вы организуете процесс кросс-валидации для временных рядов, чтобы избежать заглядывания в будущее?
Проверка навыков работы с бизнес-логикой и спецификой Supply Chain.
Как вы подходите к обработке аномалий и пропусков в данных о спросе при подготовке признаков для модели прогнозирования?
Вакансия предполагает создание прототипов, важно понимание производительности.
В чем разница между использованием эвристических алгоритмов и точных решателей (например, Gurobi) для задач оптимизации?
Проверка инженерной культуры и MLOps навыков.
