- Страна
- Россия
Senior DS/ML Engineer в команду операционных прогнозов
Оценка ИИOzon Tech — один из лучших работодателей в РФ с сильной инженерной культурой. Вакансия предлагает работу над критически важными для бизнеса задачами с современным стеком технологий и возможностью удаленной работы.
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 ИИРоль требует не только глубоких знаний в области Data Science и временных рядов, но и сильных инженерных навыков для самостоятельного вывода моделей в продакшн. Высокая планка Senior-уровня в Ozon Tech подразумевает владение стеком Big Data и умение проектировать архитектуру систем.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в Ozon Tech для Senior ML-инженеров обычно соответствует верхнему сегменту рынка. Учитывая масштаб компании и сложность задач, компенсация может значительно превышать средние показатели по индустрии.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
#Вакансия #DL #ML #Engineer #Senior #Python #PostgreSQL #ClickHouse #Airflow #Spark #PySpark #Kafka #Hive #HDFS
Компания: Ozon Tech
Локация: РФ, РБ
Формат работы: гибрид, удаленка
Занятость: полная
Заработная плата будет обсуждать индивидуально
Должность: Senior DS/ML Engineer в команду операционных прогнозов
Привет! *👋*
Это команда операционных прогнозов.
Мы занимаемся операционным прогнозированием в ритейле: в команде много разных направлений — прогноз спроса, прогноз курьеров, золотые полки, прогноз смен и другие проекты, которые напрямую влияют на управление запасами и логистику.
Наш стек
Python,
PostgreSQL,
ClickHouse,
Airflow,
Spark/PySpark,
Kafka,
Hive,
HDFS.
Вы будете
-Развивать и улучшать модели прогнозирования.
-Заниматься полным циклом: сбор и обработка данных, feature engineering, выдвижение и проверка гипотез, оценка качества моделей на статистических и бизнес-метриках.
-Проектировать архитектуру ML-систем — от пайплайнов данных до продакшн-сервисов.
-Доводить решения до продакшна самостоятельно: писать промышленный код, создавать простые API-сервисы для интеграции моделей с внутренними системами.
-Общаться с заказчиками, формализовывать требования, предлагать и обосновывать новые подходы.
Нам важно
-Уверенное знание Python и стандартных DS-библиотек.
-Опыт работы с временными рядами и прогнозированием спроса (или смежных задач) — понимание специфики: сезонность, интермиттентный спрос, иерархическая структура данных.
-Опыт построения архитектуры ML-систем и вывода моделей в продакшн, а не только в исследовательском режиме.
-Инженерные навыки: сбор и обработка данных, построение пайплайнов, работа с базами данных (SQL).
-Опыт разработки простых API-сервисов для интеграции моделей с другими системами.
-Высшее образование в одной из сфер: математика, компьютерные науки или смежные.
Будет плюсом
-Опыт агентской разработки и использования ИИ-инструментов в повседневной работе.
-Опыт работы с gRPC — в команде сервисы принято делать на gRPC, HTTP почти не используется.
По всем вопросам Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PostgreSQL
- ClickHouse
- Airflow
- Spark
- PySpark
- Kafka
- Hive
- HDFS
- gRPC
- SQL
- Machine Learning
- Data Science
Возможные вопросы на собеседовании
Вакансия сфокусирована на операционных прогнозах в ритейле.
Как вы обрабатываете иерархические временные ряды и обеспечиваете согласованность прогнозов на разных уровнях (например, склад — регион — страна)?
В стеке указаны Spark и Hive, что критично для работы с данными Ozon.
Расскажите о вашем опыте оптимизации PySpark-джобов при обработке терабайтных массивов данных.
В плюсах указан gRPC, который является стандартом в команде.
В чем преимущества использования gRPC перед REST для интеграции ML-моделей в микросервисную архитектуру?
Позиция Senior подразумевает ответственность за весь цикл разработки.
Опишите ваш самый сложный кейс вывода ML-модели в продакшн: с какими инфраструктурными проблемами вы столкнулись и как их решили?
Прогнозирование спроса часто сталкивается с аномалиями.
Как вы учитываете внешние факторы, такие как промо-акции или дефицит товара, при обучении моделей прогнозирования спроса?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
