- Страна
- Россия
- Зарплата
- от 450 000 ₽
Senior Data Scientist (команда рекомендаций)
HeadHunter — один из лидеров рынка с сильной инженерной культурой и огромными объемами данных. Высокая «белая» зарплата, отличный соцпакет и возможность влиять на продукт федерального масштаба делают эту вакансию крайне привлекательной.
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
Роль требует глубокой экспертизы в узких областях (Ranking, NLP) и опыта работы с высоконагруженными системами. Высокий порог входа обусловлен требованием к опыту от 6 лет и необходимостью владения стеком Big Data.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предлагаемая зарплата от 450 000 ₽ на руки является конкурентной для уровня Senior Data Scientist в Москве, находясь в верхней границе рыночного диапазона для опытных специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
*📍*Формат/working arrangement: удалённо или из офиса
*✔️*Должность/position: Senior Data Scientist (команда рекомендаций)
*🏢* Место работы/workplace: OOO HeadHunter
*💸* Заработная плата/salary estimate: от 450 000 ₽ в месяц, на руки
*📈* Обязанности/responsibilities:
— Развитие моделей поискового ранжирования и рекомендательных систем.
— Тюнинг моделей и feature engineering.
— Разработка новых ML-решений с нуля.
— Вывод моделей в production.
— Анализ A/B-тестов и результатов экспериментов.
*📌* Требования/requirements:
— 6+ лет опыта.
— Опыт внедрения ML-моделей в production.
— Знание ML и нейросетей для обработки текста.
— Опыт в ranking, recommendations или NLP.
— Уверенный Python: NumPy, SciPy, PyTorch, Scikit-learn.
— Знание алгоритмов и структур данных.
— SQL и опыт работы с большими данными.
— Понимание A/B-экспериментов.
*🌟* Будет плюсом:
— Java.
— Cassandra, Hive, Presto, Kafka.
— Hadoop.
— LightGBM.
*🛠* Технический стек:
— Python
— PyTorch
— SQL
— NumPy
— SciPy
— Scikit-learn
— LightGBM
— NLP
— Search Ranking
— Recommender Systems
— A/B Experiments
— Hive
— Presto
— Kafka
*🎯* Основные задачи проекта:
— Развитие поиска и рекомендаций.
— Улучшение продуктовых метрик через ML-модели.
— Работа с высоконагруженным поисковым кластером.
— Полный цикл ML: данные → модель → production → A/B-тест.
*🏢* О компании:
— Крупный технический департамент.
— Около 600 специалистов в IT, Data и Product.
— 60+ команд.
— ML-продукты используются миллионами пользователей.
*✅* Условия/working conditions:
— Полная занятость.
— График 5/2.
— 8 часов в день.
— Удалённая работа или офис.
— Гибкий график.
— Оформление по ТК РФ.
— «Белая» зарплата.
— ДМС с первого месяца.
— Обучение и конференции за счёт компании.
— Well-being программа.
— Офисы в 10 городах России.
*📍* Адрес: Москва, улица Годовикова, 9с10.
*📢**❗️**🚨* Вакансия: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- PyTorch
- SQL
- NumPy
- SciPy
- Scikit-learn
- LightGBM
- NLP
- Search Ranking
- Recommender Systems
- A/B Testing
- Hive
- Presto
- Kafka
- Hadoop
- Java
- Cassandra
Возможные вопросы на собеседовании
Проверка опыта работы с основным продуктом команды — рекомендациями.
Расскажите о наиболее сложной задаче в области ранжирования или рекомендаций, которую вы решали: с какими проблемами столкнулись при выводе в продакшн?
Важно понимать, как кандидат оценивает успешность своих моделей.
Какие метрики вы используете для оценки качества ранжирования в офлайне и как они обычно коррелируют с результатами A/B-тестов в вашем опыте?
Вакансия предполагает работу с текстами вакансий и резюме.
Какие современные NLP-архитектуры вы бы применили для семантического поиска по базе резюме и почему?
Проверка навыков работы с инфраструктурой Big Data.
Был ли у вас опыт оптимизации SQL-запросов в Hive или Presto при работе с терабайтами данных? Как вы боретесь с перекосом данных (data skew)?
Оценка инженерной культуры.
Как вы организуете процесс мониторинга качества ML-моделей после их деплоя в production, чтобы вовремя заметить деградацию метрик?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

