DataScience

#vacancy #DataScience #ComputerVision #MLOps #ML #Python #SQL #Spark #X5 #Senior Senior Data Scientist (Computer Vision / SOTA-методы / MLOps / X5) 🧠 👁 ID вакансии: RM-40_Gul Ставка: до 305 000 руб. на руки в месяц. Грейд: Senior. Загрузка: Full-time (полная занятость). Формат: Удалённо. Локация/Гражданство: РФ, РБ / РФ, РБ. ⏳ Срок актуальности вакансии: до 03.09.2026. 📌 Важно: рассматриваются кандидаты с релевантностью опыта от 85% (аутстаффинговая позиция). 🏢 О компании: X5. 🧩 О проекте: разработка и обучение модели машинного зрения для определения сотрудников в магазине. 🚀 Ключевые задачи: Разработка кода и тестов на Python, участие в командной разработке и код-ревью. Разработка архитектуры систем, использующих машинное обучение. Подготовка данных для моделирования (получение, очистка). Расчёт результатов А/B-тестов, дизайн А/B-тестов. Построение моделей машинного обучения. Развёртывание моделей и сервисов в контуре X5 (hadoop / k8s / airflow). Написание и оптимизация SQL-запросов (в том числе Spark). Предложение идей для улучшения модели / подхода. Предложение прокси-метрик и функций потерь, связанных с бизнес-метриками. Контроль соответствия результатов работы менеджеров по работе с большими данными в релизах продуктов больших данных. Техническая реализация data-science решений на продуктах департамента. Формирование требований к данным для разработки математических моделей. Анализ предметной области с целью повышения качества моделей и формирования предложений по достижению целей проектов. 🎯 Обязательные требования (Hard Skills): Алгоритмы и структуры данных: Умение оценивать сложность алгоритмов. Знание алгоритмов и структур данных из стандартного курса. Знание оценки сложности структур для стандартной библиотеки. Знакомство с алгоритмами из расширенного набора: вероятностные, алгоритмы во внешней памяти, алгоритмы на графах. Теория вероятностей и математическая статистика: Предельные теоремы и умение их применять. Проверка гипотез, бутстреп, A/B-тесты. Условия сходимости, variance reduction. Causal inference . Байесовская оптимизация . Графические модели . Гауссовские процессы . Machine Learning: Понимание ML-алгоритмов, включая SOTA-методы в своей области. Эффективная адаптация методов для решения задач. Построение моделей из стандартных компонентов. Понимание шагов жизненного цикла ML-разработки и их взаимодействия в проекте. Разработка архитектуры для продукта. Понимание, какие бизнес-метрики для модели нужно мониторить. Предложение прокси-метрик и функции потерь, связанных с бизнес-метриками. Возможность докатить простую модель в пилот, имплементировать метод по статье, встроить компонент в существующий пайплайн. Знакомство с менее распространёнными методами МО: байесовские модели / PGM / VBI, RL и прочее. Выстраивание подхода к прогнозированию. Понимание ограничений методов, прокси-метрик и необходимости использования новых знаний SOTA. MLOps: Разово может зафиттить модель, по запросу проверить, жива ли она, обновить. Развернуть необходимое ПО в кластере. Версионирование моделей и данных. Мониторинг работы моделей и качества данных. Выстраивание инфраструктуры прогнозирования. SQL: Простые запросы (select'ы / группировки и т.д.). Оконные функции. Оптимизация запросов. Транзакции. Индексы. Engineering: Перевод идей в чистый код, который будут и исполнять, и читать. Пользование git'ом. Написание тестов. Способность разбираться в чужом коде и эффективно его дебажить. Способность разрабатывать архитектуру отдельных компонентов ПО с учётом простоты и поддерживаемости. Глубокое понимание всех компонентов архитектуры и стека. Внедрение лучших практик разработки. Понимание ограничений инструментов и необходимости создания новых. Разбор с масштабным тех-долгом и рефакторингом. Базы данных и Big Data: Промышленный опыт работы с несколькими системами. Знание внутреннего устройства систем, используемых в работе. Оптимизация вычислений / запросов. Транзакции / ACID / индексы. Исследовательские навыки: Имея на входе непонятную