- Страна
- Россия
Middle+ Data Scientist в Телеком
Оценка ИИИнтересный стек технологий (LangGraph, ReAct), но строгие требования к очному присутствию на интервью и отсутствие информации о компании снижают общую привлекательность.
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 требованием специфического опыта с LangGraph/ReAct и обязательным очным live-coding интервью под запись в офисе.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана. Для позиции Middle+ Data Scientist в Москве рыночный диапазон составляет от 250 000 до 400 000 рублей в зависимости от глубины экспертизы в LLM-агентах.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Middle+ Data Scientist в Телеком
#MiddleDataScientist #DataScientist #Python #SQL #Офис #Москва
Требования:
LangGraph, ReAct, Python, SQL, аномалии, оптимизация. Обязательно: 3+ года ML, опыт с LangGraph/ReAct. до 31.12.2027.
Локация:*📍*Интервью строго в офисе в Москве (live-coding под запись).
Контакт для отклика: Откликнуться +CV при отклике, пишите ID: 251_Kok
*👉*Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- SQL
- Machine Learning
- LangGraph
- React
- Anomaly Detection
- Optimization
Возможные вопросы на собеседовании
Вакансия требует обязательного опыта с LangGraph.
Расскажите о самом сложном графе, который вы строили с помощью LangGraph: как вы управляли состоянием (state) и циклами?
Проверка навыков проектирования агентов.
В чем ключевое отличие архитектуры ReAct от обычного Chain-of-Thought, и в каких сценариях ReAct может давать сбои?
Телеком-сфера часто связана с временными рядами и сетевыми данными.
Какие методы вы используете для обнаружения аномалий в потоковых данных с высокой размерностью?
Оценка навыков оптимизации, указанных в требованиях.
Опишите ваш подход к оптимизации гиперпараметров для моделей, работающих в продакшене с жесткими ограничениями по времени отклика.
Подготовка к live-coding в офисе.
Реализуйте на Python базовый механизм памяти для LLM-агента, который должен учитывать контекст предыдущих 5 диалогов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
