Geo-ML инженер
Оценка ИИИнтересная нишевая роль на стыке ML и гео-информатики. Вакансия привлекательна для специалистов, желающих работать с графами и сложными пространственными данными, хотя отсутствие информации о компании и зарплате немного снижает прозрачность.
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 ИИВакансия требует не только уверенного владения классическим ML и Python на уровне продакшена, но и специфических знаний в области гео-данных и графовых алгоритмов. Высокая планка по статистике и умению обосновывать решения усложняет отбор.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВ объявлении не указан уровень вознаграждения, однако для ML-инженеров с опытом в Geo и Graph ML рыночные предложения обычно находятся в диапазоне от 250 000 до 450 000 рублей в зависимости от грейда. Данная позиция требует специфических навыков, что может давать преимущество при переговорах.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
Ищем в команду Geo-ML инженера
Что обязательно:
- Классический ML на табличных данных:бустинги (CatBoost/XGBoost/LightGBM), feature engineering, работа с признаками и метриками, валидация
- Python + SQL, продовый уровень (не только ноутбуки)
- Понимание статистики, умение обосновать выбор модели и метрики
Плюсом будет:
- Опыт в графовом ML: GNN, graph embeddings, link prediction, PyG/DGL/NetworkX
- Опыт в смежных направлениях: сетевой анализ, антифрод, рекомендации, маршрутизация
- Работа с пространственными данными: OSM, PostGIS, H3/geohash, дорожные графы
Чтобы откликнуться, отправляйте резюме рекрутеру Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- Machine Learning
- CatBoost
- XGBoost
- LightGBM
- Feature Engineering
- Statistics
- Graph Neural Networks
- PyG
- DGL
- NetworkX
- PostGIS
- H3
- Geohash
Возможные вопросы на собеседовании
Проверка навыков работы с табличными данными и понимания особенностей алгоритмов градиентного бустинга.
В каких случаях вы предпочтете CatBoost вместо LightGBM при работе с гео-признаками, и как вы будете обрабатывать категориальные переменные с высокой кардинальностью?
Оценка опыта работы с пространственными структурами данных.
Расскажите о преимуществах и недостатках использования индексации H3 по сравнению с Geohash для задач агрегации пространственных событий.
Проверка инженерных навыков и умения писать поддерживаемый код.
Как вы организуете процесс перехода от эксперимента в Jupyter Notebook к стабильному сервису в продакшене? Какие инструменты CI/CD и мониторинга моделей вы использовали?
Оценка знаний в области графового машинного обучения.
Как бы вы построили систему предсказания связей (link prediction) в дорожном графе для оптимизации маршрутов? Какие эмбеддинги узлов были бы наиболее полезны?
Проверка математической базы и умения работать с метриками.
Как вы выберете и обоснуете метрику качества для модели антифрода, если данные сильно несбалансированы, а цена ложноположительного срабатывания очень высока?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
