CIENTISTA DADOS SR

О позиции

Ищете эксперта для управления полным циклом науки данных в динамичной международной компании? Ваша роль включает разработку моделей машинного обучения, внедрение MLOps/LLMOps практик и оптимизацию аналитических решений под реальные бизнес-задачи.

Чем заниматься

• Управление полным жизненным циклом данных: сбор, обработка, моделирование, тестирование, развертывание и мониторинг моделей
• Разработка и поддержка ML-пайплайнов (обучение, инференс, версионирование, автоматизация)
• Внедрение практик MLOps и LLMOps: CI/CD, контроль версий данных и моделей, мониторинг производительности
• Создание решений на Python с соблюдением лучших практик инженерии ПО и воспроизводимости экспериментов
• Интеграция разнородных источников данных с обеспечением качества и госсаворантности
• Применение статистических методов и техник supervised/unsupervised learning для решения бизнес-проблем
• Сотрудничество с командами инженерии, продукта и бизнеса для трансформации технических задач в измеримые результаты
• Участие в выборе и fine-tuning foundation-моделей под конкретные use cases

Что ждут

• Высшее образование в области Computer Science, инженерии, статистики или математики
• Подтвержденный опыт работы над проектами прикладной науки данных в бизнесе
• Глубокое знание Python и библиотек data science (pandas, numpy, scikit-learn и др.)
• Практический опыт MLOps: пайплайны ML, CI/CD, версионирование моделей, продакшн-развертывание
• Продвинутое владение SQL и манипуляция реляционными/нераляционными базами данных
• Знание статистического моделирования и метрик оценки качества моделей
• Опыт работы с инструментами визуализации (Looker Studio, Power BI, Tableau)
• Навыки интеграции API и автоматизации потоков данных/моделей
• Понимание prompt engineering и pattern design для агентских приложений

Будет плюсом

• Опыт работы с Vertex AI Model Garden, эксперименты с Gemini, tuning через Vertex AI
• Сертификаты по Machine Learning/MLOps/Cloud ML Pipelines
• Знание систем оркестрации и версионирования (Airflow, MLflow, Kubeflow, DVC)
• Опыт интеграции с LLM: кэширование промптов, оптимизация затрат на инференс
• Флюентность испанского или английского языка
• Знакомство с Red Teaming для LLM и guardrails безопасности (Content Safety API)
• Опыт деплоя моделей в контейнерах (GKE, Cloud Run)
• Знание техник quantization/distillation для улучшения производительности
• Опыт использования инструментов Observability (Arize Phoenix, LangSmith, W&B)

Условия

• Питательная программа (ваучеры на еду)
• Скидки на курсы, университеты и языковые школы
• Доступ к бесплатной онлайн-академии Stefanini с сертификатами
• Менторская поддержка от опытных коллег
• Клуб льгот на медицинские услуги и стоматологическую помощь
• Дополнительные программы скидок у партнеров и клуб путешествий
• Специальные условия страхования для питомцев

Навыки

• Python
• Pandas
• NumPy
• Scikit-learn
• MLPipeLines
• CI/CD
• SQL
• LookerStudio
• PowerBI
• Tableau
• VertexAI
• Airflow
• MLflow
• Kubeflow
• DVC
• LLMs
• PromptEngineering
• GKE
• CloudRun
• Quantization
• Distillation
• ArizePhoenix
• LangSmith
• Weights&Biases
• GoogleCloudPlatform
• DataGovernance
• ModelMonitoring
• AIOps

Могут спросить на собеседовании

1. Как вы организуете процесс версионирования данных и моделей в ML-проектах?
2. Расскажите о вашем опыте настройки CI/CD для ML-конвейеров
3. Какие метрики вы используете для оценки эффективности моделей классификации?
4. Как вы адаптируете foundation-модели под специфические задачи бизнеса?
5. Какие инструменты Observability применяли для мониторинга LLM в продакшене?