- Страна
- Россия
Откликайтесь
на вакансии с ИИ

Ведущий специалист по анализу и интерпретации данных
Интересный проект с понятным бизнес-влиянием (Uber-платформа), работа с современным стеком (PyTorch, MLOps) и удаленный формат. Балл снижен только из-за отсутствия вилки зарплаты в тексте.
Сложность вакансии
Высокая сложность обусловлена требованиями к глубоким знаниям в специфических областях (two-tower модели, Causal Inference), опытом вывода моделей в production и необходимостью сильной математической базы.
Анализ зарплаты
Зарплата в вакансии не указана, но для позиции уровня Senior Data Scientist в России рыночный диапазон составляет от 300 000 до 500 000 рублей. Учитывая сложность задач (рекомендательные системы и ценообразование), можно ожидать предложение по верхней границе рынка.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь в Verme уже сейчас
Откликнитесь на вакансию в «Верме», чтобы строить ML-модели для масштабной Uber-платформы и напрямую влиять на бизнес-показатели!
Описание вакансии
Ведущий специалист по анализу и интерпретации данных
Локация: Удаленно
Компания: Верме
ЗП: обсуждается на собеседовании
Занятость: Полная
Мы в поисках Ведущего специалиста по анализу и интерпретации данных Моя смена - Uber-платформы для привлечения самозанятых исполнителей по всей России, который будет строить модели, влияющие на Match Conversion Rate, Fill rate, Take rate и юнит-экономику. Необходимо не только разрабатывать модели, но и доводить их до production, измерять бизнес-эффект и работать в кросс-функциональной команде с ML-инженерами и аналитиками.
Чем нужно будет заниматься:
Разрабатывать two-tower модель для рекомендаций;
Валидировать гипотезы и экспериментировать;
Считать и интерпретировать результаты;
Исследовать данные, искать аномалии и инсайты.
У тебя точно всё получится, если есть:
3+ лет коммерческого опыта в Data Science / Machine Learning;
Опыт разработки и внедрения ML-моделей в production;
Опыт работы с рекомендательными системами (коллаборативная фильтрация, two-tower модели, learning-to-rank) или динамическим ценообразованием (эластичность, causal inference, временные ряды);
Опыт A/B-тестирования и оценки бизнес-эффекта моделей (офлайн- и онлайн-метрики);
Deep Learning: PyTorch или TensorFlow;
SQL - написание сложных запросов для сбора данных и диагностики;
Статистика и математика: теория вероятностей, математическая статистика, causal inference;
ML Ops: понимание жизненного цикла модели, мониторинг дрейфа, CI/CD для ML;
Cloud / Big Data: опыт работы с облачными платформами и big data инструментами.
Бизнес-ориентированность: умение переводить бизнес-задачи в ML-постановку;
Data-driven подход: принятие решений на основе данных и экспериментов;
Коммуникация: способность объяснять сложные модели продактам и стейкхолдерам;
Прагматизм: готовность искать рабочие решения, а не идеальные, но нереализуемые модели;
Системное мышление: понимание, как модель влияет на всю экосистему платформы.
*🌐 Резюме отправлять:* Откликнуться
–––
Бесплатный постинг вакансий: @freeIT_job
Забирай *📚* Базу Знаний
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Data Science
- Machine Learning
- PyTorch
- TensorFlow
- SQL
- Statistics
- Causal Inference
- MLOps
- CI/CD
- Big Data
- A/B Testing
- Recommendation Systems
Возможные вопросы на собеседовании
Проверка практического опыта работы с архитектурой, указанной в описании вакансии.
Расскажите о вашем опыте проектирования и обучения two-tower моделей: как вы подбирали негативные примеры и какие лосс-функции использовали?
Вакансия предполагает работу с бизнес-метриками и юнит-экономикой.
Как бы вы подошли к задаче оценки влияния новой ML-модели на Take rate, если классическое A/B-тестирование затруднено из-за сетевых эффектов на платформе?
В требованиях указан Causal Inference, что важно для динамического ценообразования.
В каких случаях при анализе данных о самозанятых вы бы предпочли методы причинно-следственного вывода обычному корреляционному анализу?
Проверка навыков MLOps и ответственности за жизненный цикл модели.
Как вы организуете мониторинг дрейфа данных (data drift) и качества модели после её деплоя в production?
Проверка прагматичности и умения работать в бизнесе.
Опишите ситуацию, когда вам пришлось отказаться от сложной нейросетевой модели в пользу более простого решения. Чем вы руководствовались?
Похожие вакансии
Data Engineer
ML-инженер
Python разработчик (DWH/Data Engineering)
Data Scientist Middle+, Senior
Data Scientist
Middle+ Data инженер
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!