Middle Data Scientist

#вакансия # DataScientist #fulltime #удаленно #Python

👋Привет! Меня зовут Ирина. Я представляю группу компаний Top Selection.
🔥В данный момент мы в поисках DataScientist 🔥 Грейд: midlle+

Рейт: 200-230 К на руки
Формат работы: удаленка
Локация/Гражданство: только РФ
Срок привлечения: до конца 2026
Загрузка: fulltime
Оформление: как ИП
Сфера: ритейл

📝Задачи и обязанности:
• Развивать AI-помощника для сотрудников: улучшать качество ответов, разрабатывать дополнительные интеграции с внутренними базами и документами, разрабатывать новые фичи
• Определять структуру и качество данных для разработки новых фичей/продуктов
• Разрабатывать базовые AI-решения на уровне MVP: от обработки данных и настройки модели до простого интерфейса и интеграции с внутренними системами
• Тестировать, сравнивать и адаптировать различные ML-подходы (классификация, кластеризация, ранжирование) и новые рыночные решения для внутренних продуктов.
• Разрабатывать архитектуру AI-решений и писать чистый, эффективный и поддерживаемый кода на Python.

✅Требования:
• Опыт работы в Data Science от 3 лет
• Высшее образование: IT, техническое, математическое
• Уверенное знание Python, умение писать чистый, поддерживаемый продакшен-код.
• Практический опыт решения задач классического ML: классификация, регрессия, кластеризация.
• Глубокое владение основными библиотеками и фреймворками для анализа данных (scikit-learn, XGBoost/LightGBM, numpy, pandas, plotly/ matplotlib/ seaborn)
• Понимание feature engineering и методологий оценки качества моделей.
• Знание SQL, опыт работы с реляционными СУБД на уровне пользователя
• Умение работать с Git
• Опыт создания и сопровождения ML-сервисов на современных фреймворках (FastAPI, Flask).
• Понимание работы REST/gRPC API.
• Понимание микросервисной архитектуры и контейнеризации (Docker).
• Владение инструментами CI/CD и принципами MLOps для автоматизации развертывания моделей в Kubernetes-окружении
• Навыки настройки логирования и мониторинга для ML-компонентов.
• Знание архитектурных паттернов для LLM.
• Понимание концепций: transformer, механизмы внимания, GPT-архитектуры
• Методы тонкой настройки LLM: LoRA, QLoRA, адаптерные подходы
• Навыки работы с большими языковыми моделями (Hugging Face, vLLM),
• Опыт построения и оптимизации RAG-систем.
• Навыки работы с векторными базами данных (подбор, оптимизация запросов, управление индексами).
• Умение строить и донастраивать сложные взаимодействия с LLM: prompt engineering, prompt chaining, использование function calling и управление контекстом (contextual memory).
• Умение работать с неструктурированными данными
• Способность самостоятельно доводить решения до рабочего прототипа
• Готовность активно погружаться в быстро развивающийся стек LLM-технологий и внедрять их в рабочие продукты.

📲