- Страна
- Россия
- Зарплата
- 250 000 ₽ – 350 000 ₽
Откликайтесь
на вакансии с ИИ
Data Scientist Senior
Оценка ИИПривлекательная вакансия для опытных специалистов благодаря четкому стеку технологий и высокой ставке. Однако проектная деятельность ограничена коротким периодом (июль-сентябрь 2026), что может указывать на временный контракт или аутстаффинг.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубокому знанию алгоритмов, SOTA-методов, теории вероятностей и продвинутого MLOps стека (K8s, Airflow, Spark). От кандидата ожидается не только разработка моделей, но и проектирование архитектуры систем с учетом бизнес-метрик.
Анализ зарплаты
Оценка ИИПредложенная ставка 250-350 тысяч рублей в месяц соответствует рыночному уровню для Senior Data Scientist в России, хотя верхняя граница могла бы быть выше для экспертов с глубоким знанием MLOps и Spark.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в SPBDev уже сейчас
Присоединяйтесь к команде SPBDev для работы над сложными ML-архитектурами и SOTA-методами — откликайтесь прямо сейчас!
Описание вакансии
#DS #MLE #Senior #remote #vacancy #вакансия #удаленно
✅ Data Scientist Senior
Компания - SPBDev
Формат - удаленный
Ставка - 250-350тр/мес
Период
13.07.2026 - 30.09.2026
Описание задачи
Разработка программного кода
Требования
- "Алгоритмы и структуры данных Умеет оценивать сложность алгоритмов
- Знает алгоритмы и структуры данных из стандартного курса
- Знает оценку сложности структур из для стандартной библиотеки
- Знакомство с алгоритмами из расширенного набора: вероятностные, алгоритмы во внешней памяти, алгоритмы на графах ТВиМС
- Предельные теоремы и умение их применять проверка гипотез бутстреп A/B-тестыусловия сходимости variance reduction causal inference байесовская оптимизация графические модели гауссовские процессы ML
- Понимает ML-алгоритмы, включая SOTA-методы, в своей области.
- Эффективно адаптирует их для решения задач при необходимости.
- Строит модели из стандартных компонент.
- Понимает шаги жизненного цикла ML-разработки и их взаимодействие в проекте и разрабатывает архитектуру для продукта.
- Понимает, какие бизнес-метрики для модели нужно мониторить
- Может предложить прокси-метрики и функцию потерь, связанные с бизнес-метриками
- Может докатить простую модель в пилот имплементировать метод по статье встроить компонент в существующий пайплайн
- Знаком с менее распространенными методами МО (например: байесовские модели/PGM/VBI, RL и прочее).
- Выстраивает подход к прогнозированию понимает ограничения методов, прокси-метрик и необходимость использования новых знание SOTA в отдельных областях MLOps
- Разово может зафиттить модель, по запросу проверить, жива ли она, обновить развернуть какое-либо необходимое ПО в кластере версионирование моделей, данных мониторинг работы моделей, качества данных
- Выстраивание инфраструктуры прогнозирования SQL
- Простые запросы (select'ы/группировки и т.д.)
- Окна Оптимизация запросов Транзакции Индексы Роли Engineering
- Переводит идеи в чистый код, который будут и исполнять, и читать
- Пользуется git'ом Пишет тесты
- Способен разбираться в чужом коде и эффективно его дебажить
- Способен разрабатывать архитектуру отдельных компонентов ПО с учетом простоты и поддерживаемости в хорошо очерченных сценариях.
- Глубокое понимание всех компонентов архитектуры и стека
- Внедрение лучших практик разработки
Понимает ограничения инструментов и необходимость создания новых разбирается с масштабным тех-долгом и рефакторингом
- Промышленный опыт работы с несколькими системами
- Знание внутреннего устройства систем, используемых в работе оптимизация вычислений/запросов транзакции/ACID/Индексы Other Имея на входе непонятную задачу, исследует возможные решения и предлагает варианты"
Обязанности
- "Разработка кода и тестов на python, участие в командной разработке, участие в код-ревью - Разрабатывает архитектуру систем, использующих машинное обучение
- Подготовка данных для моделирования (получение, очистка)
- Расчет результатов АБ-тестов, дизайн АБ-тестов Построение моделей машинного обучения
- Разворачивание моделей и сервисов в контуре х5 (hadoop/k8s/airflow)
- Написание запросов на SQL, оптимизация запросов (spark, в частности)
- Предлагает идеи для улучшения модели/подхода
- Предлагает прокси-метрики и функции потерь, связанные с бизнес-метриками
- Контроль соответствия результатов работы менеджеров по работе с большими данными в релизах продуктов больших данных.
- Техническая реализация data-science решений на продуктах департамента.
- Формирование требований к данным для разработки математических моделей в рамках релизов продуктов больших данных.
- Анализ предметной области с целью повышения качества моделей и формирования предложений по достижению целей проектов и продуктов больших данных"
-
Рекрутер
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- Git
- Machine Learning
- Algorithms
- A/B Testing
- Causal Inference
- Bayesian Optimization
- MLOps
- Kubernetes
- Airflow
- Hadoop
- Apache Spark
- Statistics
Возможные вопросы на собеседовании
Вакансия требует умения предлагать прокси-метрики, связанные с бизнесом.
Расскажите о случае, когда стандартные ML-метрики (например, RMSE или AUC-ROC) не отражали реальную бизнес-ценность. Какие прокси-метрики вы предложили и как обосновали их выбор?
Упоминается работа в контуре X5 с использованием Spark и Hadoop.
С какими основными проблемами производительности в Spark вы сталкивались при обработке больших данных и какие методы оптимизации (например, broadcast joins, salting) применяли?
Требуется знание продвинутых алгоритмов и оценки сложности.
Как бы вы подошли к задаче поиска кратчайшего пути в графе, который не помещается в оперативную память? Какие алгоритмы во внешней памяти вы бы рассмотрели?
В требованиях указан дизайн и расчет A/B-тестов, включая variance reduction.
Какие методы сокращения дисперсии (например, CUPED или стратификация) вы использовали в своей практике и какой эффект это дало на чувствительность тестов?
Вакансия подразумевает Senior-уровень и работу с тех-долгом.
Как вы балансируете между внедрением инновационных SOTA-моделей и необходимостью поддержки стабильного промышленного кода с минимальным техническим долгом?
Похожие вакансии
Senior Data Scientist
Senior MLOps инженер
Senior MLOps инженер
Data Engineer (ETL-миграция)
Senior Data Engineer
Python разработчик (DWH/Data Engineering)
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!