Architect, Data Science

О позиции

Lovelytics — быстрорастущая компания в области data science и AI, работающая с крупными предприятиями из различных отраслей. Мы помогаем клиентам внедрять искусственный интеллект в реальные бизнес-процессы. Архитектор дата-сайенс будет ключевой фигурой в создании высокоэффективных ML-решений, сочетая технические навыки с клиентским опытом и стратегическим мышлением.

Чем заниматься

• Определение бизнес-метрик эффективности проектов (ROI, влияние на выручку)
• Разработка технических стратегий и дизайн ML/AI пайплайнов
• Управление командой дата-саентистов и инженеров
• Создание стандартов качества кода и валидации моделей
• Проведение презентаций и workshops для клиентов
• Обеспечение интеграции AI/ML инструментов в бизнес-процессы

Что ждут

• Высшее образование в области computer science или смежных дисциплин
• 7+ лет опыта в data science и ML с практическими проектами
• 5+ лет в клиентских ролях, желательно в professional services
• Экспертиза в Python, SQL и платформе Databricks
• Навыки работы с LLM API и инструментами вроде Hugging Face/LangChain
• Опыт реализации решений в областях forecasting, anomaly detection, recommendation systems

Будет плюсом

• Опыт работы с causal inference и price modeling
• Презентационные выступления на конференциях
• Знание облачных платформ AWS/Azure/GCP
• Опыт менторства junior/middle специалистов

Условия

• Работа с передовыми технологиями и клиентами Fortune 500
• Возможности профессионального роста и обучения
• Поддержка инициатив по выступлению на конференциях
• Инклюзивная корпоративная культура
• Конкурентная компенсация и прозрачная система зарплат

Навыки

• Python
• SQL
• Apache Spark
• Databricks
• Machine Learning Operations
• Large Language Models
• Feature Engineering
• Predictive Modeling
• Computer Vision
• Causal Inference
• Data Pipelines
• Cloud Computing

Могут спросить на собеседовании

1. Как вы определяете бизнес-метрики для оценки успеха ML-проекта?
2. Опишите пример архитектуры сложного ML-пайплайна, который вы внедрили
3. Как вы объясняете технические компромиссы не-техническим стейкхолдерам?
4. Какие подходы к валидации моделей вы считаете критичными?
5. Опишите случай, когда вы адаптировали решение под требования клиента