Senior Data Scientist (ID 3031)

Описание вакансии

ID 3031

Data Scientist

Senior

Кол-во специалистов

1

Длительность проекта

до 30.09.2026 (с пролонгацией)

Объем участия в проекте

Высокая нагрузка

~160 ч/мес

Формат взаимодействия

Удаленно

Требуемая локация специалиста

Любая

Доступность специалиста

по мск с 9 до 18, часовой пояс +-3 часа

Требуемое гражданство специалиста

любое

Обязательные требования

• Умение оценивать сложность алгоритмов;
• Знание алгоритмов и структур данных из стандартного курса;
• Знание оценки сложности структур из стандартной библиотеки;
• Знакомство с алгоритмами из расширенного набора: вероятностные, алгоритмы во внешней памяти, алгоритмы на графах ТВиМС;
• Предельные теоремы и умение их применять, проверка гипотез, бутстреп, A/B-тесты, условия сходимости, variance reduction, causal inference, байесовская оптимизация, графические модели, гауссовские процессы;
• Понимание ML-алгоритмов, включая SOTA-методы (в своей области). Эффективно адаптировать их для решения задач при необходимости;
• Строить модели из стандартных компонентов;
• Понимать шаги жизненного цикла ML-разработки и их взаимодействие в проекте, разрабатывать архитектуру для продукта;
• Понимать, какие бизнес-метрики для модели нужно мониторить;
• Способность предложить прокси-метрики и функцию потерь, связанные с бизнес-метриками;
• Умение докатить простую модель в пилот, имплементировать метод по статье, встроить компонент в существующий пайплайн;
• Знаком с менее распространенными методами МО (например: байесовские модели/PGM/VBI, RL и прочее);
• Умение выстраивать подход к прогнозированию, понимание ограничения методов, прокси-метрик и необходимости использования новых знаний SOTA в отдельных областях;
• Умение разово зафиттить модель, по запросу проверить, жива ли она, обновить, развернуть какое-либо необходимое ПО в кластере, версионирование моделей данных, мониторинг работы моделей, качества данных;
• Выстраивание инфраструктуры прогнозирования SQL;
• Простые запросы (select'ы/группировки и т.д.);
• Оптимизация запросов;
• Понимание принципов Транзакций, Индексов, Ролей;
• Переводить идеи в чистый код, который будут и исполнять, и читать;
• Пользоваться git'ом;
• Писать тесты;
• Способен разбираться в чужом коде и эффективно его дебажить;
• Способен разрабатывать архитектуру отдельных компонентов ПО с учетом простоты и поддерживаемости в хорошо очерченных сценариях;
• Глубокое понимание всех компонентов архитектуры и стека;
• Внедрение лучших практик разработки;
• Понимание ограничений инструментов и необходимость создания новых, разбираться с масштабным тех-долгом и рефакторингом DB&BD
• Промышленный опыт работы с несколькими системами;
• Знание внутреннего устройства систем, используемых в работе, оптимизация вычислений/запросов, транзакции/ACID/Индексы, Other;
• Имея на входе непонятную задачу, исследовать возможные решения и предлагать варианты.

Задачи на проекте

• Разработка кода и тестов на python, участие в командной разработке, участие в код-ревью;
• Разрабатывать архитектуру систем, использующих машинное обучение;
• Подготовка данных для моделирования (получение, очистка);
• Расчет результатов АБ-тестов, дизайн АБ-тестов;
• Построение моделей машинного обучения;
• Разворачивание моделей и сервисов в контуре (hadoop/k8s/airflow);
• Написание запросов на SQL, оптимизация запросов (spark, в частности);
• Предлагать идеи для улучшения модели/подхода;
• Предлагать прокси-метрики и функции потерь, связанные с бизнес-метриками;
• Контроль соответствия результатов работы менеджеров по работе с большими данными в релизах продуктов больших данных;
• Техническая реализация data-science решений на продуктах департамента;
• Формирование требований к данным для разработки математических моделей в рамках релизов продуктов больших данных;
• Анализ предметной области с целью повышения качества моделей и формирования предложений по достижению целей проектов и продуктов больших данных

Этапы отбора

1. Техническое интервью
2. Интервью с ПО