- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Middle Data Scientist (Foundation Model)
Оценка ИИИнтересная роль на стыке R&D и реального бизнеса в крупном банке. Использование современного стека (PyTorch, Foundation Models) и зрелых DevOps-практик делает вакансию привлекательной для профессионального роста.
Сложность вакансии
Оценка ИИПозиция требует не только глубоких знаний в ML и нейросетях, но и навыков работы с инфраструктурными инструментами (K8s, Airflow). Работа в банковском секторе подразумевает высокую ответственность за точность моделей.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для Middle Data Scientist в российском финтехе рыночный диапазон составляет от 250 000 до 400 000 рублей. Банки обычно предлагают конкурентные условия и расширенный соцпакет.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Откликнитесь через Runello-бот, чтобы стать частью команды, внедряющей SOTA-решения в банковские процессы!
Описание вакансии
Middle Data Scientist (Foundation Model)
Грейд: Middle
Стек: Data Science, Machine Learning, Gradient Boosting, PyTorch, Python, Jenkins, Airflow, Kubernetes
Наша команда занимается внедрением нейронных сетей в бизнес-процессы банка. Мы строим не только SOTA алгоритмы, но и активно «приземляем» наши исследования, растим бизнес и клиентский опыт, исследуем …
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- PyTorch
- Machine Learning
- Kubernetes
- Airflow
- Jenkins
- Data Science
- Gradient Boosting
Возможные вопросы на собеседовании
Проверка понимания архитектур современных нейросетей.
Расскажите об архитектурных особенностях Foundation Models, которые вы использовали в своих проектах.
Оценка навыков работы с табличными данными, критически важными для финтеха.
В каких случаях вы предпочтете Gradient Boosting нейронным сетям при работе с банковскими данными?
Проверка опыта вывода моделей в продакшн.
Опишите ваш опыт настройки пайплайнов в Airflow и развертывания моделей в Kubernetes.
Оценка умения работать с несбалансированными выборками.
Как вы решаете проблему дисбаланса классов при обучении моделей кредитного скоринга или фрод-мониторинга?
Проверка навыков CI/CD для ML.
