- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Senior Data Scientist (Search)
Оценка ИИИзвестный бренд, четко описанные задачи и современные технологии (MLflow, Airflow, DL). Удаленный формат работы и фокус на ключевой бизнес-метрике делают вакансию очень привлекательной для Senior-специалиста.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний в области ранжирования и рекомендательных систем, а также умения выводить модели в продакшен (MLOps). Высокая планка по Python и опыту работы с полным циклом ML-проектов.
Анализ зарплаты
Оценка ИИВ вакансии зарплата не указана, но для позиции Senior Data Scientist в России рыночный диапазон составляет от 350 000 до 550 000 рублей. Островок обычно предлагает конкурентоспособные условия, соответствующие верхнему сегменту рынка.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Островок! уже сейчас
Присоединяйтесь к команде Островок! и развивайте алгоритмы ранжирования в одном из крупнейших тревел-сервисов.
Описание вакансии
Senior Data Scientist (Search)
Локация: Удаленно
Компания: Островок!
ЗП: обсуждается на собеседовании
Занятость: Полная
Команда Поиска отелей развивает важные для всего бизнеса компании компоненты: ранжирование отелей в поисковой выдаче, поисковые подсказки и растит метрику конверсии переходов на карточку отеля.
- Вести ML-проекты end-to-end: постановка задачи -> решение -> тест -> прод -> поддержка.
- Совместно с дата инженерами формировать датасеты и требования к данным, оценивать реализуемость, риски и ограничения.
- Совместно с дата аналитиками участвовать в дизайне и анализе A/B-тестов: метрики, сплиты, интерпретация результатов, рекомендации по выкатке решений.
- Разрабатывать и обучать модели (classic ML + DL).
- Передавать модель и код в продакшен (Python-сервис), сопровождать релизы и интеграции.
- Отвечать за качество модели после запуска: метрики, мониторинг, дрейф/деградации, план улучшений и регламенты поддержки.
Основные направления, которыми предстоит заниматься:
- Поиск гипотез для улучшения релевантности поисковой выдачи.
- Разработка новых признаков, обучение моделей ранжирования.
- Проектирование и проведение A/B-тестов, вывод решений в продакшен.
- Улучшение эксплуатационных характеристик ML-решений: наблюдаемость, надёжность, эффективность.
Требования:
- Опыт ведения ML-проектов end-to-end в продакшене (от постановки до поддержки).
- Отличное понимание классического ML: feature engineering, бустинги, классификация/регрессия, кросс-валидация, подбор порогов, калибровка.
- Опыт работы с поисковыми или рекомендательными системами.
- Опыт с DL (PyTorch/TensorFlow): понимание принципов fine-tuning, инференс моделей.
- Python (production-качество): читаемый код, тесты на критичные компоненты, понимание упаковки модели/артефактов и интеграции в сервис.
- Понимание мониторинга ML: метрики качества, дрейф, алерты, диагностика и регламенты поддержки.
SQL на уровне самостоятельной сборки датасетов (joins, window functions).
- Опыт с интерпретируемостью и анализом ошибок модели.
- MLflow / W&B / DVC или аналогичные инструменты трекинга экспериментов.
- Оркестрация/пайплайны (Airflow/Prefect/Dagster) и продвинутые data-процессы.
- Английский на уровне В1 (intermediate).
🌐 Резюме отправлять: Откликнуться
–––
Бесплатный постинг вакансий: @freeIT_job
Забирай 📚 Базу Знаний
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- A/B Testing
- Python
- PyTorch
- SQL
- Feature Engineering
- Airflow
- TensorFlow
- MLflow
- Dagster
- Weights & Biases
- DVC
- Prefect
- Ranking Systems
- Recommender Systems
- Boosting
Возможные вопросы на собеседовании
Вакансия сфокусирована на поиске и ранжировании, поэтому важно понимать специфику метрик.
Какие метрики ранжирования (NDCG, MRR, P@K) вы бы выбрали для оценки качества поиска отелей и почему?
Позиция подразумевает ответственность за весь жизненный цикл модели.
Расскажите о вашем опыте мониторинга моделей в продакшене: как вы отслеживаете дрейф данных и деградацию качества?
В требованиях указан опыт с DL и fine-tuning.
В каких случаях для задачи ранжирования вы бы предпочли нейросетевой подход классическому градиентному бустингу?
Работа предполагает тесное взаимодействие с аналитиками.
Как вы подходите к дизайну A/B-теста для новой модели ранжирования, чтобы избежать сетевых эффектов или смещения?
Требуется production-качество кода на Python.
Как вы организуете процесс тестирования и CI/CD для своих ML-сервисов?
Похожие вакансии
ML разработчик (Senior)
Senior / Middle+ Data Scientist
MlOps / Python Backend Engineer (ML)
Data Scientist Senior
Senior/Middle Data Engineer
Senior Data Scientist
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!
- Страна
- Россия