- Страна
- Сербия
Откликайтесь
на вакансии с ИИ

Junior Research Scientist
Отличное предложение для Junior-специалиста: работа в продуктовом финтехе с современным стеком (AWS, MLFlow) и реальная помощь с релокацией в интересные локации.
Сложность вакансии
Позиция Junior требует уверенного владения PyTorch и понимания архитектуры данных, а также готовности к работе в международной среде с английским языком. Сложность сбалансирована поддержкой релокации и четкими требованиями к стеку.
Анализ зарплаты
Для Junior ML-позиции в международной компании с релокацией в такие регионы, как Кипр или Мексика, зарплата обычно находится в диапазоне $2500–$4000. Данное предложение соответствует рыночным ожиданиям для специалистов с опытом от 1 года.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь в Banco Plata уже сейчас
Присоединяйтесь к команде Banco Plata и создавайте инновационные AI-решения для финансового сектора Мексики!
Описание вакансии
Junior Research Scientist / Banco Plata *✅*
Serbia, Mexico, Georgia, Cyprus, Colombia (помогают с релокацией)
Banco Plata is a tech platform powered by AI that is redefining the financial experience in Mexico. Plata's mission is to simplify the financial experience.
Требования к кандидату:
- 1+ years of experience in machine learning or deep learning
- Proficient in Python and PyTorch
- Experience with MLFlow and AWS
- Understanding of dataset design for deep learning
- Strong foundation in machine learning concepts
- Solid communication skills
- B1 or higher English level
Читать подробнее:
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- AWS
- Python
- PyTorch
- Machine Learning
- Deep Learning
- MLflow
Возможные вопросы на собеседовании
Проверка практических навыков работы с основным фреймворком компании.
Расскажите о наиболее сложном проекте на PyTorch: с какими проблемами при обучении модели вы столкнулись и как их решили?
Важно понять, как кандидат организует процесс экспериментов.
Как вы используете MLFlow для отслеживания экспериментов и управления жизненным циклом моделей?
В описании вакансии подчеркнута важность проектирования датасетов.
Каковы ваши основные принципы при проектировании наборов данных для задач Deep Learning, чтобы избежать переобучения или смещения (bias)?
Проверка опыта работы с облачной инфраструктурой.
С какими сервисами AWS вы работали в контексте ML-задач (например, SageMaker, S3, EC2) и для каких целей?
Оценка теоретической базы.