ML Python Developer
Оценка ИИИнтересная нишевая позиция в сфере Mining Tech с прозрачной вилкой и удаленным форматом. Проект предлагает работу с реальными физическими данными, что ценнее типичного e-commerce.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИСложность заключается в необходимости работы с узкоспециализированными геологическими данными и интеграцией с ПО Macromine. Требуется умение разбираться в чужом коде и оптимизировать специфические модели, такие как обратный перцептрон.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая зарплата в 180 000 ₽ на руки соответствует среднерыночному уровню для Middle ML-разработчика в России, однако для специалистов с опытом в промышленном секторе (Mining/Oil&Gas) ставки могут быть выше.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Аспирити
ML Python Developer
от 180 000 ₽ за месяц, на руки
Опыт работы: 3–6 лет
Полная занятость
График: 5/2
Формат работы: удалённо
*☑️* Чем предстоит заниматься
-Разбираться в существующем ML-проекте и чужом коде
-Анализировать текущую реализацию модели и предлагать улучшения
-Оптимизировать объем прогнозных данных для загрузки в Macromine
-Работать с большими массивами геологических данных
-Настраивать предобработку и постобработку данных
-Уменьшать размер блоков и исключать или корректно обрабатывать неинформативные участки данных, например сланцы
-Участвовать в развитии ML-процесса: разработка, оптимизация, обучение и доработка модели
-Взаимодействовать с разработчиком, который уже работал над проектом, и с консультантами-геологами
-Работать частично как разработчик, частично как технический консультант по ML
-обучение модели на содержание полезных компонентов
-определение физико-механических свойств
-возможная работа с данными опробования
-возможная работа с геофизическими данными
-Python
-ML-модели, текущая модель — обратный перцептрон
-Node.js
-PostgreSQL
-интеграция с Macromine через скрипты
-работа с большими массивами данных
*☑️* Наши пожелания к кандидатам
-уверенно работает с Python
-разбирается в ML-моделях и понимает, как их обучать, анализировать и оптимизировать
-имеет опыт работы с большими массивами данных
-умеет быстро погружаться в существующий код и проект
-способен не только писать код, но и анализировать архитектуру решения
-готов предлагать улучшения, а не просто выполнять задачи по ТЗ
-может работать как самостоятельно, так и в команде
-готов быстро включиться в проект и работать сразу с боевыми задачами
-Будет плюсом:
-Опыт в геологии, геологоразведке, горнодобывающей отрасли или смежных доменах
-Опыт работы с пространственными/геологическими данными
-Опыт оптимизации ML-пайплайнов
-Опыт интеграции ML-решений с внешним ПО
-Понимание, как работать с данными, которые нужно не только обработать, но и подготовить для визуализации или загрузки в сторонние систем
-формат: полная удаленка, работа по московскому часовому поясу, хорошая команда и возможность развития
Контакты: Откликнуться
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Data Analysis
- Python
- Machine Learning
- PostgreSQL
- Node.js
- Data Preprocessing
Возможные вопросы на собеседовании
Вакансия предполагает работу с геологическими данными. Важно понять, как кандидат справляется с шумом и неинформативными участками.
Как бы вы подошли к очистке и предобработке геологических данных, чтобы исключить влияние неинформативных пластов, таких как сланцы?
В проекте используется обратный перцептрон. Нужно проверить понимание архитектуры.
В чем особенности обучения и оптимизации обратного перцептрона для задач регрессии или классификации в вашем опыте?
Упоминается необходимость оптимизации данных для Macromine.
Какие методы сжатия или агрегации прогнозных данных вы бы предложили для ускорения их загрузки во внешние системы визуализации?
Работа включает Node.js и Python.
Был ли у вас опыт построения пайплайнов, где ML-часть на Python интегрируется с бэкендом на Node.js? Какие сложности возникали?
Важно умение работать с пространственными данными.
Как вы учитываете пространственную корреляцию данных при обучении ML-моделей?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
