- Страна
- Россия
Откликайтесь
на вакансии с ИИ

Стажер Data Scientist (Команда AI-трансформации Блока Финансы)
Отличная возможность для старта карьеры: работа в топовой AI-команде, сильный стек технологий (Big Data, GPU кластеры) и перспектива перехода в штат. Офис на Кутузовской и развитая корпоративная культура Сбера добавляют привлекательности.
Сложность вакансии
Для стажировки требования достаточно серьезные: ожидается сильная математическая база и знание классического ML. Однако статус стажировки предполагает обучение, что снижает порог входа по сравнению с Junior-позициями.
Анализ зарплаты
Зарплата на стажировках в Сбере обычно соответствует рыночным стандартам для крупных финтех-компаний Москвы, варьируясь в зависимости от количества рабочих часов и грейда стажера.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь в Сбер уже сейчас
Начни карьеру в AI-трансформации крупнейшего банка страны — отправляй CV прямо сейчас!
Описание вакансии
*🚀 Стажировка Data Scientist 🏦* Компания: Сбер, Команда AI-трансформации Блока Финансы
*📍* Локация: Москва, м. Кутузовская
*🏦* Формат: офис/гибрид
*⏳* Длительность: 6 месяцев
*🕒* Загрузка: 40 часов в неделю
*💰* Стажировка оплачиваемая
Наша команда занимается рекомендациями персонализированных скидок корпоративным клиентам.
В процессе работы мы реализуем весь жизненный цикл модели - от сбора требований до интеграции решения в бизнес процессы и проведения АБ-тестов по замеру качества решения.
В процессе работы мы много общаемся с бизнес-заказчиками, обмениваемся идеями с коллегами и предоставляем результаты руководству Банка.
*👷♂️* Что нужно делать:
Проводить сбор, очистку и анализ данных;
Формировать и проверять гипотезы;
Выбирать архитектуру моделей;
Разрабатывать ML-модели и алгоритмы для финансовых задач;
Выводить модели в production и интегрировать результаты в бизнес-процессы;
Сопровождать и поддерживать реализованные решения.
Проводить АБ тесты по замеру качества решения.
Взаимодействовать с заказчиками и представлять результаты руководству Банка;
*🛠* Стек: Classic ML(pandas, numpy, sklearn, catboost, xgboost), SQL, BigData(Hadoop, Spark,SparkML)
*🏎* Железо: Собственный Hadoop-кластер
*🧙♂️* Требования к кандидату:
Знания в области математики (математический анализа/линейная алгебра/теория вероятностей,математическая статистика);
Хорошие знания теории Classic ML
Уверенное владение Python
*💪* Будет плюсом:
учишься на последнем курсе бакалавриата/магистратуры, уже закончил магистратуру или учишься в аспирантуре; — имеешь сильную математическую, техническую или инженерную подготовку; — уверенно пишешь на Python; — умеешь быстро разбираться в новых библиотеках, фреймворках и подходах; — готов глубоко погружаться в архитектуру решений,
Владение BigData stack
Навыки работы с git, Jira, Confluence
Опыт end-2-end разработки ML-моделей (EDA-MVP-Solution-Validation-Production)
*💪**💪* Отдельным плюсом будет обучение на сильном техническом факультете: Физтех, Мехмат, ВМК, Матмех, ПМИ, Прикладная математика / информатика и близкие направления.
*🍪* Что предлагаем:
— оплачиваемую стажировку в одном из самых быстрорастущих AI-направлений; — работу с реальными бизнес-задачами, а не учебными pet-проектами;
— доступ к внутреннему стеку и инструментам;
— возможность получить оффер на позицию Junior Data Scientist по итогам стажировки.
— Современный офис с двумя спортзалами.
CV и cover letter присылайте в телеграм Откликнуться
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Git
- A/B Testing
- Python
- NumPy
- Pandas
- Machine Learning
- SQL
- Scikit-learn
- Apache Spark
- Hadoop
- Confluence
- Jira
- XGBoost
- CatBoost
- Mathematical Statistics
Возможные вопросы на собеседовании
Проверка фундаментальных знаний, необходимых для понимания работы алгоритмов ML.
Расскажите, в чем заключается разница между L1 и L2 регуляризацией и в каких случаях стоит выбирать каждую из них?
Оценка практических навыков работы с градиентным бустингом, который указан в стеке.
Как работают алгоритмы градиентного бустинга (например, CatBoost) и как они справляются с переобучением?
Проверка навыков работы с данными большого объема, что критично для инфраструктуры Сбера.
В чем разница между трансформациями и действиями (actions) в Spark? Приведите примеры.
Важная часть задач команды — оценка эффективности внедренных решений.
Как правильно рассчитать размер выборки для АБ-теста и какие метрики вы бы выбрали для оценки системы рекомендаций скидок?
Оценка понимания полного цикла разработки, упомянутого в вакансии.
Опишите ваш опыт или понимание процесса вывода ML-модели в Production: с какими сложностями можно столкнуться при мониторинге модели?
Похожие вакансии
Стажер Data Scientist/Quant
Стажер Data Science
Data Science стажер
ML Engineer (Intern)
Data Science & NLP Research Intern
ML-инженер в рекомендательные системы
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!