- Зарплата
- от 7 000 $
ML Researcher / Research Scientist — Probabilistic Modeling & Decision Making
Оценка ИИВысокая заработная плата, полная удаленка и работа над сложными наукоемкими задачами делают эту вакансию крайне привлекательной для топовых ML-исследователей. Единственный нюанс — контрактная форма работы (от 3 месяцев).
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 исключительного уровня математической подготовки и опыта в R&D. Кандидат должен уметь не просто использовать библиотеки, а создавать новые методы на стыке RL, байесовского вывода и теории игр.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата от $7000 значительно выше средней по рынку для Senior ML ролей в СНГ и Европе, приближаясь к уровням топовых американских стартапов и хедж-фондов. Это соответствует крайне высоким требованиям к математической базе и R&D опыту.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
ML Researcher / Research Scientist — Probabilistic Modeling & Decision Making
Компания: BrainShells
Вилка: от 7000$
Ищем сильного ML Researcher уровня Senior / Staff для сложной исследовательской задачи на стыке probabilistic ML, sequential decision making и моделирования поведения агентов.
Это не классическая вакансия Data Scientist с задачами на табличные данные. Нужен человек, который самостоятельно разрабатывал или существенно улучшал ML/математические методы, умеет работать с неопределённостью и может экспериментально доказать, почему новый подход лучше сильного baseline.
Задача: есть стохастическая многоагентная среда с частичной наблюдаемостью и десятки миллионов исторических эпизодов. Необходимо моделировать поведение участников и использовать эти прогнозы для принятия решений в условиях неопределённости и ограниченного inference budget.
Особенно интересен опыт в одном или нескольких направлениях:
— RL / sequential decision making / POMDP / world models;
— probabilistic & Bayesian ML, latent-variable models, uncertainty estimation;
— behavior / opponent modeling, multi-agent systems;
— off-policy evaluation, importance sampling, doubly robust estimation, variance reduction;
— Monte Carlo / Markov models / stochastic optimization;
— algorithmic trading / HFT / pricing / decision systems с реальными ограничениями на latency.
Кого особенно хотим увидеть: исследователей с сильной математической базой, опытом собственных R&D-разработок и публикациями либо сильным applied research опытом. PhD будет плюсом, но не является обязательным. Важнее возможность разобрать свой проект в формате: проблема → baseline → ваша идея → альтернативы → эксперимент → измеримый результат.
Стек для прототипирования: Python / PyTorch. Данные и вычислительная инфраструктура есть, задача предполагает много экспериментов и достаточно высокую исследовательскую свободу.
Формат: remote, контракт от 3 месяцев. Приоритетно рассматриваем full-time, но для сильного кандидата готовы обсуждать part-time
Если ваш опыт близок — присылайте CV + 2–3 предложения про наиболее релевантный research/ML-проект: что улучшали, какой был baseline, что сделали лично и каким результатом доказали эффект.
Контакт: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PyTorch
- Reinforcement Learning
- Bayesian Statistics
- Stochastic Optimization
- Monte Carlo methods
- Multi-agent systems
- Research
Возможные вопросы на собеседовании
Проверка понимания фундаментальных проблем в RL и умения работать с данными вне среды.
Расскажите о вашем опыте работы с Off-policy Evaluation: какие методы снижения дисперсии вы использовали и как оценивали надежность полученных метрик?
Оценка способности кандидата работать с неопределенностью, что критично для данной роли.
Как бы вы подошли к моделированию поведения оппонентов в среде с частичной наблюдаемостью (POMDP), если бюджет на инференс жестко ограничен?
Проверка навыков работы с вероятностными моделями.
В каких случаях вы бы предпочли использование латентных переменных (latent-variable models) вместо прямого предсказания действий агентов?
Оценка практического опыта оптимизации и работы с ограничениями.
Опишите ваш опыт работы с задачами, где критична задержка (latency). Какие компромиссы между точностью модели и скоростью принятия решения вы находили?
Проверка методологии исследования.
Опишите ваш самый успешный R&D проект по схеме: проблема — baseline — ваша идея — эксперимент — результат. Почему ваша идея сработала лучше базового решения?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
