Geo ML-инженер
Оценка ИИИнтересная и редкая вакансия для специалистов в Geo ML с четко очерченным кругом задач и современным стеком технологий. Высокий балл за конкретику требований и актуальность области.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИВысокая сложность обусловлена узкой специализацией: требуются не просто навыки ML, а глубокая экспертиза в геоинформационных системах, графовых алгоритмах и специфических движках маршрутизации.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для специалистов уровня Middle+/Senior в области Geo ML на российском рынке медиана составляет около 300 000 - 450 000 рублей в зависимости от сложности задач и масштаба компании.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Geo ML-инженер
Ищем инженера с практическим опытом работы с геопространственными данными, дорожными графами и/или алгоритмами маршрутизации.
Важно: это не позиция классического ML Engineer / Data Scientist. Без опыта в Geo ML кандидатов не рассматриваем.
Задачи:
- Разработка и оптимизация алгоритмов маршрутизации и построения маршрутов (VRP, TSP, роутинг с ограничениями по времени / весу / зонам);
- Работа с геоданными: геокодирование, map matching, построение изохронов, расчёт ETA;
- Проектирование и оптимизация графов дорожной сети, работа с роутинг-движками (OSRM, GraphHopper, Valhalla или аналогами);
- Анализ и улучшение метрик качества маршрутизации: точность ETA, эффективность маршрутов, загрузка транспорта / курьеров;
- Построение ML-моделей поверх геоданных: предсказание времени в пути, спроса по зонам, оптимальное распределение заказов;
- Работа с большими объёмами геопространственных данных (PostGIS, H3/S2, GeoJSON), оптимизация запросов;
- Проведение экспериментов, A/B-тестов и итеративное улучшение алгоритмов на реальных данных.
Обязательные требования:
- Опыт в решении задач Geo ML
- Сильный практический опыт в геоаналитике и/или маршрутизации: VRP/TSP, роутинг-движки, работа с картографическими данными (приоритетное требование);
- Уверенное владение Python, опыт с геопространственными библиотеками (GeoPandas, Shapely, PostGIS);
- Понимание графовых алгоритмов (Dijkstra, A\*, contraction hierarchies и т. п.);
- Опыт работы с ML на табличных / пространственных данных: feature engineering, оценка качества моделей;
- Уверенное владение SQL, опыт работы с большими датасетами;
- Умение работать с зашумлёнными и неполными GPS / трек-данными;
- Опыт вывода решений в production;
- Опыт с OSRM / GraphHopper / Valhalla / OpenStreetMap
Чтобы откликнуться, отправляйте резюме рекрутеру Откликнуться
*⚠️*Убедительная просьба ознакомиться с правилами безопасности при отклике на вакансии в Телеграме. Последнее время увеличилось число мошеннических схем, когда мошенники прикрываются работодателем
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- SQL
- PostGIS
- geopandas
- Shapely
- OSRM
- GraphHopper
- Valhalla
- OpenStreetMap
- H3
- S2
- GeoJSON
- Machine Learning
- Feature Engineering
- A/B Testing
Возможные вопросы на собеседовании
Проверка фундаментальных знаний в области алгоритмов на графах, критически важных для маршрутизации.
Расскажите о различиях между алгоритмами Dijkstra и A*. В каких случаях использование Contraction Hierarchies дает наибольшее преимущество?
Оценка практического опыта работы с ключевыми инструментами Geo ML.
С какими ограничениями вы сталкивались при использовании OSRM или GraphHopper и как вы их обходили при кастомизации профилей маршрутизации?
Проверка навыков обработки реальных, несовершенных данных.
Как вы подходите к задаче Map Matching при наличии сильно зашумленных GPS-треков с низкой частотой дискретизации?
Оценка понимания бизнес-метрик и их связи с ML-моделями.
Какие признаки (features) вы бы использовали для построения модели предсказания ETA, учитывая временные и пространственные зависимости?
Проверка владения инструментами пространственного индексирования.
В чем преимущество использования систем H3 или S2 по сравнению с обычными прямоугольными сетками при анализе плотности спроса?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
