9169
Нескучные позиции в Data Science Основной канал - @not_boring_ds
Позиция: Middle/Middle+ Data Engineer / MLE (Big Data + GenAI)
Куда: Сбер, Команда Автономного кампейнинга
Формат работы: офис + гибрид — Москва, современный офис
Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать?
• Проектировать архитектуру хранилищ (GreenPlum, Hadoop) и аналитических витрин
• Строить ETL/ELT-пайплайны на Spark и Kafka для потоковой и батчевой обработки
• Деплоить мультиагентные системы, мониторить качество данных и отказоустойчивость
• Автоматизировать контроль качества и участвовать в CI/CD
Требования:
• Опыт DE/MLE от 2 лет
• SQL (сложные запросы, оптимизация), Python/Scala + pySpark
• Знание Hadoop, Spark, Hive, Kafka, понимание DevOps
• Ответственное отношение к качеству данных
• Будет плюсом: MLOps, Kubernetes, Docker, опыт real-time обработки
Что предлагаем:
• Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии
• Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+%
• Доступ к огромным данным и вычислительным мощностям Сбера
• Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов:
1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API
2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM
3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L
4. Уровень развития data-инженерии в компании: все бизнес-линии покрыты ML, данные — фундамент для AI-решений
5. Роль data-инженера в продукте: DE/MLE строит фундамент данных, обеспечивает надёжность пайплайнов и качество данных для моделей и аналитики
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю
8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов
9. Prod/Research: 50/50
10. Функция сервиса или лидера: сервисная – поддержка и развитие data-инфраструктуры
📧 Отправить CV: boychenko.a.a@sber.ru, тема «Data Engineer в Автономный кампейнинг», или TG @aries51
Позиция: Senior/Middle+ AI Engineer (NLP/LLM Agents)
Куда: Сбер, Команда Автономного кампейнинга
Формат работы: офис + гибрид — Москва, современный офис
Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать?
• Разрабатывать и внедрять AI-агентов, рекомендательные системы и NLP-решения на базе Transformer
• Кастомизировать LLM (RAG, векторизация, извлечение сущностей) и строить reasoning-цепочки
• Вести полный цикл: от экспериментов на Jupyter до масштабируемых MLOps-процессов в продакшене
• Работать с большими данными (Spark, Hadoop, Hive) и интегрировать модели в смежные сервисы
Требования:
• 3+ лет в машинном обучении с реализованными и внедрёнными решениями
• Опыт работы с агентами и LLM (LangGraph, PyTorch)
• Уверенный Python, прод-код, Big Data стек
• Знакомство с Kubernetes, Docker
• Самостоятельность, проактивность, умение доводить гипотезы до результата
Что предлагаем:
• Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии
• Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+%
• Доступ к огромным данным и вычислительным мощностям Сбера
• Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов:
1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API
2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM
3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L
4. Уровень развития AI-инженерии в компании: все бизнес-линии покрыты ML, глубоко внедрены DL и NLP, строятся автономные мультиагентные системы
5. Роль AI-инженера: AI Engineer отвечает за создание и внедрение агентов и NLP-решений от замысла до прод-мониторинга, участвует в постановке задач и аналитике пилотов
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю
8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов
9. Prod/Research: 50/50
10. Функция сервиса или лидера: сервисная – разработка и поддержка AI-ядра
📧 Отправить CV: boychenko.a.a@sber.ru, тема «AI Engineer в Автономный кампейнинг», или TG @aries51
Позиция: Senior Data Scientist
Куда? Авито, Item2param
Формат работы: полная удаленка или офис, на выбор
Вилка гросс: 363 000 - 524 000 gross + 15% премия (условия обсуждаются индивидуально по результатам технических интервью)
О нас:
Мы разрабатываем платформу, автоматически предсказывающую более 2000 параметров объявления на момент подачи (категории, атрибуты, бренды). Данные параметры критичны для всех бизнес направлений Авито: поиска, модерации, монетизации, SEO. Мы обеспечиваем максимально эффективные предсказания в условиях высокой нагрузки, а также быструю адаптацию моделей под новые сценарии.
Что нужно делать?
• Разрабатывать сложные нейросети (text, image) c нуля на Pytorch - предобучение, finetuning, оптимизация
• Осуществлять внедрение нейросетей в сервис, настраивать мониторинг, решать технические проблемы
• Вести бизнес-процессы до получения результата
• Курировать младших коллег
Требования:
• Отличное знание Pytorch
• Опыт работы с большими нейросетевыми моделями, организации production процессов
• Работа на результат
• Будет плюсом: успехи в соревнованиях/Kaggle
Ответы на 10 важных вопросов:
1. Данные: Большие исторические данные по объявлениям (текст, изображения), обучение на несколько видов разметок
2. Железо: Кластер с H100 для dev и prod
3. Масштаб влияния на core-бизнес? Платформа Item2param имеет статус Business Critical и первостепенную поддержку. На систему атрибутов завязаны ключевые бизнес-процессы - Поиск, Монетизация, Модерация, SEO.
4. Уровень развития Data Science в компании? Высокий. DS команды делятся на вертикальные (подвязаны к бизнес-линии) и горизонтальные (разрабатывают инструменты для всех DS команд).
5. Роль дата сайентиста: Фокус не на конкретные ML-задачи, а на платформенные улучшения (напр., предобучить базовый чекпоинт с нуля, расширить функционал библиотеки для пользователей, улучшить процесс сбора данных для мониторинга) с целью внедрить функционал в сервис. Поддержка продакшн-процессов совместно с MLOps и Backend. По необходимости - поддержка пользователей платформы (DS, аналитики, контент-менеджеры).
6. Бэкграунд у вашего руководителя? Kaggle Competition Master, Linkedin
7. Как часто вам будут мешать работать? Дейли раз в день на 20 минут, орг встречи по необходимости
8. Карьерный рост: Руководитель поддерживает активную прокачку по хард и софт скиллам: составляем план развития и совместно по нему идем. Перфоманс-ревью раз в полгода
9. Prod/Research: 70% prod / 30% research. Активно разрабатываем SOTA подходы к задачам, однако с упором на промышленное внедрение
10. Функция сервиса или лидера? 50% сервис / 50% лидер. Есть существенный запрос на самостоятельное ведение ключевых бизнес-кейсов до внедрения в продакшн, поддержка в развитии других коллег и шеринг экспертизы.
Резюме отправляйте на oasidorshin@avito.ru с темой "Senior DS в Item2param"
Позиция:Senior DS
Компания: Х5 Group
Формат: Полный занятость (40 часов в неделю).
Локация: Удаленная работа (но по желанию можно работать из офиса БЦ Оазис, г. Москва)
Вилка: 300к-500к
💡Команда ad-hoc аналитики из X5 Group (Пятерочка, Перекресток, Чижик и etc) в поисках опытных DS-спецов!
🔬Почему у нас интересно?
Более 29 тысяч магазинов, 50 миллионов клиентов, петабайты данных - и все это нужно анализировать.
Каждый день мы показываем, что наши супермаркеты - на самом деле цифровой проект, в котором большое место занимают Big Data и Data-Driven подход.
Ты будешь работать в стриме оценки финансовой эффективности инвестиционных инициатив.
🔭Чем у нас предстоит заниматься?
- дизайны и оценки нестандартных экспертиментов через A/B (с обычными у нас платформа справляется);
- end-to-end разработка методологий и инструментов для оценки эффектов в случае, когда классические A/B-тесты неприменимы;
- полноценные рисерчи, чтобы применять лучшие инструменты в индустрии;
- писать интересные статьи по результатам выполненных задач и не только.
😎Ты нам подходишь, если ты:
- Имеешь опыт работы в DS-сфере от двух лет;
- Имеешь бэкграунд в Causal Inference / эконометрике (наука, учеба, работа);
- Владение базовым финансовым аппаратом (EBITDA, IRR, NPV, ТЭО) и понимание логики построения финансовых моделей инвестиционных проектов;
- Знаком с современными подходами к анализу кросс-секционных и панельных данных (Doubly Robust Estimators (AIPW), DiD, TWFE, IV);
- Умеешь писать чистый и структурированный код на Python, знаешь классические алгоритмы и структуры данных;
- Знаешь SQL - умеешь строить оптимальные запросы, знакомство с hadoop-стэком будет плюсом;
- A/B тесты, генерация и проверка гипотез (будет плюсом опыт с variance reduction, CUPED, линеаризацией и методом бакетов);
- Будет преимуществом: опыт работы с (docker, kubernetes, pyspark, kafka, postgres, airflow).
🎁Что мы предлагаем:
- возможность работать удалённо или в гибридном формате;
- ежеквартальные премии по результатам работы;
- удобный офис рядом с м. «Добрынинская» / удобный офис с бесплатной парковкой на м. «Волгоградский проспект» / МЦД «Калитники»
- гибкий график работы (с 8/9/10 утра) / График работы: 5/2, с 9:00 до 18:15 (в пятницу — до 17:00);
- широкий пакет ДМС (включая выезд за рубеж и стоматологию), страхование жизни и здоровья;
- возможность учиться и развиваться за счёт компании;
- программы мотивации для спикеров и авторов;
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги.
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои резюме в формате "Фамилия Имя Резюме SENIOR" и вакансию направлять сюда: @Zzzelar
Получите офер в Яндекс за 2 дня
Участвуйте в онлайн-мероприятиях быстрого найма. Такой формат позволяет пройти всего две секции, вместо трёх в обычном найме, и финалы за выходные и сразу получить офер.
Как всё устроено:
🔴 Зарегистрируйтесь на мероприятие — с вами свяжется рекрутер и договорится об удобном времени для интервью.
🔴 В субботу пройдите две технические секции.
🔴 В воскресенье познакомьтесь с командами и получите офер.
Какие мероприятия проводим:
⚡️30–31 мая Weekend Offer ML
Для ML- и DL-инженеров с опытом в доменных областях NLP, CV, RecSys и Classic ML.
Подробности и регистрация — на сайте: https://yandex.ru/project/events/wo-ml-0526
⚡️6–7 июня Weekend Offer Analytics
Для продуктовых, дата-аналитиков и датасаентистов с опытом на Python от 3 лет.
Подробности и регистрация — на сайте: https://yandex.ru/project/events/wo-analytics-0626
Позиция: Middle+ - Senior DS/MLE
Компания: Т-банк, команда эффективности
Формат работы: fulltime, гибрид, Москва, офис на Павелецкой.
Вилка гросс: 400-700К + годовые премии
Про нас:
Мы создаём и внедряем алгоритмы, которые улучшают экономику экосистемы, делая её выгоднее для клиентов, прибыльнее для бизнеса и эффективнее для партнёров с помощью кешбэка, ценообразования, рекламы и финтеха.
В этом году перед нами стоит задача кратно масштабировать бизнес. Для этого мы ищем заряженных DS и MLE (в том числе lead/staff) на несколько направлений:
1. Динамическое Ценообразование и Оптимизация Промо: определять кому, на что и сколько кешбэка / скидок дать, опираясь на цели бизнеса (например чтобы вырастить выручку без просадки маржи).
2. Рекламные алгоритмы: развивать аукцион и алгоритмы принятия решений внутри него, а также внедрять CPA-модель в партнерских размещениях (рекомендовать ставку и лимиты на кешбэк).
3. Оптимизация маркетингового бюджета: развивать МММ, модели атрибуции и causal-подходы для оценки инкрементальности каналов, понимать реальный вклад маркетинга в рост и перераспределять бюджеты в точки с максимальным ROI.
4. Поиск и создание новых механик роста: генерировать гипотезы на основе продуктовых исследований и A/B-экспериментов, лидировать создание новых фич и механик, доводить лучшие из них до прода.
Что предлагаем:
— Сплоченная команда 20+ человек из ШАД/ФКН/МФТИ/РЭШ
— Задачи с околонулевым легаси на стыке продукта, ML, оптов и разработки
— Прямое влияние на ключевые метрики бизнеса
— Быстрый путь от гипотезы до продакшена
Что предстоит делать:
— Отвечать end-to-end за проект: от сбора данных до продуктивизации ML моделей
— Придумывать как улучшать текущие ML подходы не только с точки зрения техники, но и с бизнесовой точки зрения
— Реализовывать идеи, алгоритмы и модели из научных статей
Требования:
— Хорошего знания математики и применения в рабочих задачах математической статистики
— Хорошего знания ML (для аналитики/DS достаточно понимать базовые принципы)
— Базовую инженерную грамотность
— Уверенный SQL и Python
— Для Lead: опыт руководства командой 2-5 человек от года
Будет плюсом:
— Опыт uplift-моделирования
— Знание базовых RL-алгоритмов
— Опыт внедрения ML-моделей в продакшн
— Знакомы с дискретной оптимизацией
— Понимание unit-экономики и PNL
— Опыт работы в командах эффективности / рекламы / рексис
Ответы на 10 вопросов:
1. Данные:
В основном GreenPlum (все данные банка), мобильные события - ClickHouse
2. Железо:
Коммунальные GPU и CPU сервера с большим выбором и количеством железа + MacBook Pro для разработки
3. Масштаб влияния на core-бизнес?
Рост и выполнение OKR по продуктам бизнес линии зависит от работы нашего направления
4. Уровень развития Data Science в компании?
Экспертиза в банке высокая, есть отдельные RnD команды, с которыми можно консультироваться, в рамках направления каждый проект частично или полностью связан с ML и оптимизацией
5. Роль дата сайентиста: Аналитики и MLE - двигатель и сердце направления, так как продактов в направлении практически нет. Занимаемся end-to-end проектами: от идеи и постановки задачи до реализации и обсуждения выкатки на прод с командой продукта
6. Бэкграунд у вашего руководителя? [LinkedIn]
7. Как часто вам будут мешать работать?
- Созвоны с командой: 2 - 3 часа в неделю
- Созвоны с продуктовой командой: 1 - 3 часа в неделю (в зависимости от позиции)
8. Карьерный рост: формализована матрица компетенций, есть возможность быстро расти по грейдам в силу начальной стадии направления, также есть возможность роста в лида
9. Prod/Research: Prod/Research 80%/20%
10. Функция сервиса или лидера? Сервис/лидер: 20%/80%
📩 С резюме и вопросами можно в ЛС: @piereeduck
Позиция: Agent & Capability Owner (Agent Layer Lead — Autonomous AI Scenarios)
Куда: Сбер, B2C, Конструктор комплексных решений
Формат работы: полная занятость; офис/гибрид в Москве
Вилка гросс:
250-450 + годовой бонус (mid 25%, max 50%) от годового оклада
Про нас:
Строим Конструктор комплексных решений — платформу, которая позволяет создавать и исполнять пользовательские сценарии с помощью AI-агентов. В основе — агентная архитектура с центральным агентом, skills, plugins и capabilities, которые оркестрируют действия сервисов банка, экосистемы и партнёров.
Сейчас находимся в фазе формирования платформы и масштабирования архитектуры под множество доменов и пользовательских сценариев.
Что предстоит делать?
• Развивать архитектуру центрального AI-агента (Master Agent): распознавание интентов, формирование сценариев, управление исполнением
• Формировать и развивать каталог skills, plugins и capabilities платформы
• Проектировать архитектуру агентных сценариев и взаимодействия агентов
• Развивать агента генерации пользовательского интерфейса (UI Agent)
• Обеспечивать интеграцию агентного слоя с оркестратором сценариев (workflow execution)
• Управлять развитием агентной архитектуры: масштабируемость, отсутствие дублирования, консистентность
От нас:
• Работа над новой AI-платформой уровня банка (100+ млн пользователей)
• Возможность влиять на архитектуру и ключевые продуктовые решения
• Построение системы с нуля: от концепции до масштабирования
• Сильная команда и доступ к экосистеме сервисов и партнёров
• ДМС
Требования:
• Опыт работы с AI / LLM-продуктами
• Опыт проектирования платформенных архитектур
• Опыт работы с API и сервисной архитектурой
• Опыт работы с распределёнными системами
• Понимание агентных архитектур и multi-agent систем
• Понимание orchestration и execution сценариев
• Системное мышление и способность структурировать сложные платформы
Что ещё может пригодиться:
• Опыт работы с workflow/оркестраторами (Temporal, BPMN и др.)
• Опыт построения capability-based архитектур
• Опыт интеграции с внешними сервисами и партнёрами
• Понимание UI-генерации и multi-surface взаимодействия
Ответы на 10 важных вопросов
1. Данные: петабайты данных десятков миллионов розничных клиентов Банка.
2. Железо, продакшн и ноутбук: Работаем в гибридной инфраструктуре: внутренний контур банка + облачные среды.
Продакшн — масштабируемая кластерная среда с поддержкой orchestration (event-driven, workflow engines).
Доступ к вычислительным ресурсам под AI/LLM (включая ускорители при необходимости).
Корпоративный ноутбук с настроенным доступом ко всем средам и инструментам разработки.
3. Масштаб влияния на бизнес: платформа уровня экосистемы, влияет на пользовательские сценарии и кросс-сервисное взаимодействие
4. Уровень зрелости AI: активное внедрение AI/LLM, формирование новой архитектуры агентных систем
5. Роль: архитектура агентного слоя, управление capabilities, формирование основы для автономных AI-сценариев
6. Бэкграунд вашего руководителя: дополнить
7. Как часто вам будут мешать работать: дейлик и другие скрам мероприятия с командой, управленческие синки
8. Карьерный рост: Каждый квартал – компания оценок и ревью. Централизованные компании по пересмотру ЗП и грейда раз в полгода.
9. Prod/research: фокус на production-ready архитектуре и масштабировании
10. Роль сервиса или лидера: лидер платформенного слоя (agent layer)
Резюме присылать с темой «Вакансия_Фамилия_AgentOwner» на почту dninaumova@sberbank.ru или тг @naumi_di
Позиция: Middle Data Engineer
Куда: Сбер, B2C, Data Unit, Трайб X
Формат работы: полная занятость; офис/гибрид в Москве, Санкт-Петербурге
Вилка гросс:
250-430 + годовой бонус (mid 25%, max 50%) от годового оклада
Про нас:
Мы разрабатываем внутреннее веб-приложение для создания и управления клиентскими сегментами. Платформа позволяет кампейн-инженерам и аналитикам формировать целевые аудитории через UI с фильтрами по клиентским атрибутам, рассчитывать размер аудитории в реальном времени и публиковать готовые сегменты.
В 2026 году мы планируем реализовать бэклог из множества задач, включая расширение функциональности конструктора сегментов, разработку ИИ-помощника, разработку интеграционных взаимодействий.
Что предстоит делать?
- Разрабатывать и оптимизировать ETL потоки Hadoop <-> Clickhouse
- Разрабатывать и встраивать в приложение систему контроля качества данных
- Автоматизировать рутинные операции при управлении атрибутным составом приложения
- Проводить эксперименты для повышения производительности вычислений в Clickhouse
От нас:
- Разработка важной функциональности, которую ждут многочисленные внутренние клиенты из разных команд Банка
- Амбициозные задачи для создания лучшего продукта на рынке
- Минимум бесполезных встреч
- ДМС
Требования:
- Опыт работы с БД (Hadoop, Clickhouse, Greenplum) от 2х лет
- Опыт работы и глубокое понимание Spark, Hive, MapReduce
- Продвинутый уровень SQL
Что ещё может пригодиться:
- Kafka, Flink
- Опыт настройки и оптимизации Clickhouse
- CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps
Ответы на 10 важных вопросов
1. Данные: петабайты данных десятков миллионов розничных клиентов Банка.
2. Железо, продакшн и ноутбук: кластеры Hadoop, Clickhouse. Рабочий ноутбук на Linux + разные варианты ВРМ (Citrix Workspace, преимущественно Windows).
3. Масштаб влияния на бизнес: продукт на стадии опытной эксплуатации, в перспективе станет главным выбором для различных бизнес-процессов Банка, требующих сборку аудитории.
4. Уровень зрелости Data Science: функция ИИ внедрена во все ключевые направления бизнеса, ИИ приносит деньги и бизнес активно приходит с запросом на наши решения.
5. Роль DE: разрабатывать и отвечать за качество потоков данных, поддерживать высокую производительность вычислений.
6. Бэкграунд вашего руководителя: Linkedin.
7. Как часто вам будут мешать работать: Ежедневные дейли, планирование на час-полтора один раз в 2-недельный спринт.
8. Карьерный рост: Каждый квартал – компания оценок и ревью. Централизованные компании по пересмотру ЗП и грейда раз в полгода.
9. Prod/research: prod 80%, rnd 20%.
10. Роль сервиса или лидера: преимущественно сервисная роль.
CV отправлять в tg
Позиция: Junior/Middle/Senior DS
Куда: Сбер, B2C, Data Unit, Трайб X
Формат работы: полная занятость; офис/гибрид в Москве, Санкт-Петербурге
Вилка гросс:
150-250 джун + годовой бонус (mid 15%, max 30%) от годового оклада
250-430 мидл + годовой бонус (mid 25%, max 50%) от годового оклада
430-570 синьор + годовой бонус (mid 25%, max 50%) от годового оклада
Про нас:
Мы разрабатываем внутреннее веб-приложение для создания и управления клиентскими сегментами. Платформа позволяет кампейн-инженерам и аналитикам формировать целевые аудитории через UI с фильтрами по клиентским атрибутам, рассчитывать размер аудитории в реальном времени и публиковать готовые сегменты.
В 2026 году мы планируем реализовать бэклог из множества задач, включая расширение функциональности конструктора сегментов, разработку ИИ-помощника, разработку интеграционных взаимодействий.
Что предстоит делать?
- Разрабатывать AI-агентов (text2json, text2sql, copilot) для решения задачи автоматизированной сборки сегментов по запросам пользователей UI-интерфейса
- Разрабатывать смежные агенты для работы мультиагентной системы и поддержания диалогового интерфейса взаимодействия с пользователями
- Писать промышленный код для встраивания в фреймворки исполнения агентов
- Проходить валидацию
- Обучать LLM при необходимости
От нас:
- Разработка важной функциональности, которую ждут многочисленные внутренние клиенты из разных команд Банка
- Амбициозные задачи для создания лучшего продукта на рынке
- Минимум бесполезных встреч
- ДМС
Требования:
- Опыт реализации ML-решений от интерпретации бизнес-потребности до мониторинга внедрённой модели, от 1 года (Middle) до 3х лет (Senior)
- Опыт разработки и внедрения ИИ-агентов с подтверждённым бизнес-эффектом
- Глубокое понимание архитектур и владение инструментами обучения современных языковых моделей, включая классический ml-стек, pytorch, transformers
- Отличное знание python, SQL
- Сильная математическая подготовка
- Способность объяснять применяемые алгоритмы бизнес-пользователям
Что ещё может пригодиться:
- Clickhouse, Flink, Kafka, Hadoop, Spark
- Java/Scala
- CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps
Ответы на 10 важных вопросов
1. Данные: данные из приложения, мета-описания атрибутов и источников, SQL готовых сегментов.
2. Железо, продакшн и ноутбук: деплой в Kubernetes, есть GPU, если потребуется обучение/инференс LLM. Рабочий ноутбук на Linux + разные варианты ВРМ (Citrix Workspace, преимущественно Windows).
3. Масштаб влияния на бизнес: продукт на стадии опытной эксплуатации, в перспективе станет главным выбором для различных бизнес-процессов Банка, требующих сборку аудитории.
4. Уровень зрелости Data Science: функция ИИ внедрена во все ключевые направления бизнеса, ИИ приносит деньги и бизнес активно приходит с запросом на наши решения.
5. Роль DS: разработка и тестирование прототипов, валидация и внедрение агента и модели (при необходимости).
6. Бэкграунд вашего руководителя: Linkedin.
7. Как часто вам будут мешать работать: Ежедневные дейли, планирование на час-полтора один раз в 2-недельный спринт.
8. Карьерный рост: Каждый квартал – компания оценок и ревью. Централизованные компании по пересмотру ЗП и грейда раз в полгода.
9. Prod/research: prod - bсключительно прикладыные задачи.
10. Роль сервиса или лидера: лидер компетенции для senior, сервис для junior/middle.
Резюме присылать с темой «Вакансия_Фамилия_DS_SGM» на почту mnikragoyzha@sberbank.ru
Позиция: Junior DS
Компания: Х5 Group
Формат: Полный занятость (40 часов в неделю).
Локация: Удаленная работа (но по желанию можно работать из офиса, г. Москва)
Вилки: Оклад от 300 до 360 тыс руб. gross + премия (уровень оклада обсуждается по итогам интервью)
Мы ищем аналитика, которому интересно готовить к запуску эксперименты в оффлайн-магазинах и онлайн-ритейле, оценивать эффективность многомиллионных экспериментов и решать нестандартные продуктовые задачи по улучшению работы более чем 25 000 магазинов по всей стране и повышения клиентского опыта 15 млн клиентов.
Что нужно делать:
- полноценные рисерчи, чтобы применять лучшие инструменты в индустрии;
- разрабатывать методологии оценки крупных цифровых продуктов;
- дизайны и оценки нестандартных экспертиментов через A/B (с обычными у нас платформа справляется);
- кодить ML-решения, которые действительно нужны бизнесу, и передаешь их в прод. Задачи очень разнообразные (ранжирование в поиске и рекомендашки в мобильном приложении, определение взаимозаменяемых и комплементарных товаров, up-lift моделирование, прогнозирование ресурсной потребности в магазинах и т.д.);
- писать интересные статьи по результатам выполненных задач и не только.
Все задачи вести в плотном контакте с бизнес-заказчиком.
Мы ждём, что вы:
- имеете опыт работы в DS-сфере от 1,5 лет
- знаете Python
- знаете классических алгоритмов и структур данных
- знаете теоретических и практических продвинутых методов машинного обучения;
- знаете SQL - умеете строить оптимальные запросы, знаешь оконки, знакомство с hadoop-стэком будет плюсом;
- знаете A/B тесты, генерация и проверка гипотез (будет плюсом опыт с variance reduction, CUPED, линеаризацией и методом бакетов)
- будет преимуществом: опыт работы с (docker, kubernetes, pyspark, kafka, postgres, airflow)
- будет преимуществом: наличие опыта вывода разработанных решений в прод
Мы предлагаем:
- возможность работать удалённо или в гибридном формате;
- ежеквартальные премии по результатам работы;
- удобный офис рядом с м. «Добрынинская» / удобный офис с бесплатной парковкой на м. «Волгоградский проспект» / МЦД «Калитники»
- гибкий график работы (с 8/9/10 утра) / График работы: 5/2, с 9:00 до 18:15 (в пятницу — до 17:00);
- широкий пакет ДМС (включая выезд за рубеж и стоматологию), страхование жизни и здоровья;
- возможность учиться и развиваться за счёт компании;
- программы мотивации для спикеров и авторов;
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги.
Ответы на 10 важных вопросов:
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются Macbook Pro или Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 25000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои резюме c названием файла в формате "Фамилия Имя Резюме" направлять сюда: tg @didi_ulyanova
Senior Applied ML / Optimization Engineer
Компания: AI DesignTech стартап
Локация: Санкт-Петербург, П.С.(гибрид / возможна удалёнка)
Вилка Гросс: 400к – 600к ₽ + опцион
Про нас:
Строим AI-copilot для архитектуры и девелопмента. Наша система генерирует и оптимизирует планировки с учётом геометрии, нормативов и экономики.
Что предстоит делать:
Развитие оптимизационного ядра, формализация задач: переменные, hard/soft constraints, цели. Работа с геометрией, связностью, графами. Интеграция нормативов в вычислительную модель. Комбинация optimization + эвристик + ML. Стек: CP-SAT / MILP / эвристики /графы и геометрия / PyTorch
Требования:
Опыт constraint-heavy задач (optimization / planning / routing / scheduling).
Понимание CP / MILP
Сильный инженерный и математический бэкграунд.
Опыт доведения вычислительных систем до production.
Ответы на 10 вопросов
1. Данные: Геометрия этажей (контуры, ядра, колонны), пространственные графы, нормативные правила, экономические параметры, датасеты планировок для ML-усиления.
2. Железо: CPU-heavy окружение под solver. Современные рабочие машины
3. Масштаб влияния: Optimization-ядро = сердце продукта. Ты влияешь на ключевую технологию компании.
4. Уровень развития направления: Мы сами строим ядро с нуля. Нет легаси. Архитектурные решения принимаются внутри команды.
5. Роль инженера: Со-архитектор системы, участие в формализации задач, реализация и выкладка в прод, инициирование технических решений.
6. Бэкграунд руководителя: Технический фаундер с опытом B2B продуктов и архитектуры. Фокус — архитектура и продукт, без микроменеджмента.
7. Как часто будут мешать: Минимум процессов. Маленькая команда, быстрые решения. Основное время — инженерная работа.
8. Карьерный рост: Возможность вырасти в Principal / Head of ML или даже CTO, опцион на долевое участие в проекте.
9. Prod / Research: Prod-first. Исследования — только если усиливают продукт.
10. Функция: 70% сервис, 30% лидерство. С ростом — больше лидерства.
Если заинтересовало, пиши ✈️ @karslyan и @edw239
Позиция: Маркетинговый аналитик
Куда: Scentbird
Формат работы: Удаленка
Вилка гросс: $50000 в год + годовой бонус
Что нужно делать?
• Поддержка и развитие системы репортинга: дашборды, отчеты, алерты и т.д; Много автоматизации
• Ресерч и adhoc-аналитика;
• Всесторонний анализ закупаемого трафика. Подсчет LTV/CAC для каналов, оптимизация маркетингового микса;
• Построение различных моделей и прогнозов;
• Апдейты модели атрибуции (святой грааль);
• Улучшение существующего DWH
• Технический долг – нужно будет апдейтить старые скрипты;
Требования:
• 3+ года опыта в маркетинговой или продуктовой аналитике
• Уверенное владение SQL и Python
• Опыт работы с инструментами digital аналитики (GA4, Mixpanel, Amplitude, Looker и др.)
• Хорошее понимание метрик performance-маркетинга (CAC, LTV, ROAS, атрибуция)
• Практический опыт A/B тестирования
• Опыт работы с событийной аналитикой и Google Tag Manager
• Английский язык не ниже Upper-Intermediate
Будет плюсом:
• Опыт проведения инкрементальных тестов или MMM
• Опыт использования AI для аналитических задач (автоматизация отчетов, поиск аномалий, внутренние инструменты)
Ответы на 10 важных вопросов:
1. Данные: Mixpanel/Looker/Snowflake/Google Sheets/Airbyte/DBT/Gitlab - основной стек
2. Железо: не предоставляем
3. Масштаб влияния на core-бизнес? Все зависит от тебя, бюрократии почти нет, можно делать все, что принесет пользу бизнесу
4. Уровень развития Data Science в компании? Много ребят из Яндекса/Avito.
5. Роль дата сайентиста: Роль сапортическая (дашборды, анализ и тд)
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? Есть регулярный дейлик, остальное зависит от важности задач
8. Карьерный рост: Зп пересматривают раз в год
9. Prod/Research: -
10. Функция сервиса или лидера? На данном этапе требуется больше сервисных функции
Направляйте CV в TG @svmakarovv
DATA SCIENTIST (P4)
Локация: Найроби, Кения
Формат: полная занятость, требуется переезд
Вилка: от 9 000 $ в месяц (зарплата не облагается налогом)
Про нас:
Программа ООН по окружающей среде (UNEP) — ведущая глобальная экологическая организация в системе ООН. UNEP консультирует государства-члены по экологическим вопросам и координирует экологические программы по всему миру. Позиция открыта в команде Chief Digital Office.
Что предстоит делать:
• Руководить функцией Applications, AI и Data Science, отвечая за платформы данных и приложения UNEP как на корпоративном, так и на программном уровнях.
• Планировать и управлять программой работы по Data Science
• Работать с ключевыми заинтересованными сторонами, помогая им применять методы Data Science для решения программных задач.
• Координировать разработку продуктов Data Science для получения новых аналитических инсайтов с использованием AI, ML, предиктивной аналитики, обработки текста и данных, NLP, статистики и других алгоритмов.
• Организовывать взаимодействие с технологическими командами для доступа к необходимой инфраструктуре, ПО и сервисам для разработки и внедрения продуктов.
• Сотрудничать с командой бизнес-аналитики для трансляции пользовательских требований в технические дорожные карты и контролировать их реализацию.
• Координировать создание визуализаций и презентаций для демонстрации результатов анализа (брифинги, отчеты, интерактивные интерфейсы, публикации).
• Представлять организацию и Chief Digital Officer на международных и региональных встречах, а также на межведомственных мероприятиях.
Требования:
• Минимум 9 лет опыта в Data Science, аналитике данных, прикладной математике или разработке ПО (если есть магистратура/phd, можно от 7 лет опыта).
• Опыт работы с методами статистического и вычислительного анализа: кластеризация, классификация, корреляция, снижение размерности, прогнозирование, машинное/глубокое обучение, Generative AI.
• Опыт работы с инструментами Data Science: R, Python, Javascript, а также с большими данными: Hadoop, Spark.
• Опыт управления командами разработки ПО и Data Science для создания промышленных платформ и приложений.
• Обязательное владение английским, плюсом — знание других языков ООН, например, русского.
Ответы на 10 вопросов:
1. Данные: Работа с запросами от внутренних команд и стран-участниц ООН, данные варьируются от запроса. Есть два параллельных трека, но участвовать в обоих (1) цифровизация внутренних процессов (бизнесс данные, данные с проектов, аудит данные) (2) цифровые решения для экологических задач (данные из открытых и других источников, в основном спутниковые, GEOJson, статистические, публикации тоже).
2. Железо: работа на инфраструктуре Microsoft/Azure.
3. Масштаб влияния на core-бизнес? Ключевая, потому что на нас цифровизация всех процессов организации.
4. Уровень развития Data Science в компании? Довольно низкий, на уровне госсектора.
5. Роль дата сайентиста: Выстраивать процессы по разработке ИИ и не только решений. Управление небольшой (5 человек) командой и непосредственное участие в разработке и взаимодействием с командой бизнес аналитиков.
6. Бэкграунд у вашего руководителя? linkedin
7. 7. Как часто вам будут мешать работать? Не часто, рассчитывается на самостоятельность.
8. Карьерный рост: В ООН нет гарантии карьерного роста, только за счет подачи на другие вакансии.
9. Prod/Research: Prod.
10. Функция сервиса или лидера? Комбинация - 60% сервиса и 40% лидера.
Как податься: только через сайт
Позиция: Junior/Middle/Senior DS
Куда: Сбер, B2C, Data Unit, Трайб X
Формат работы: полная занятость; офис в Москве, Санкт-Петербурге
Вилка гросс:
150-250 джун + годовой бонус (mid 15%, max 30%) от годового оклада
250-430 мидл + годовой бонус (mid 25%, max 50%) от годового оклада
430-570 синьор + годовой бонус (mid 25%, max 50%) от годового оклада
Про нас:
Мы разрабатываем продукт в экосистеме агентской RAG-системы, которая помогает улучшать клиентский опыт за счёт персонализированных решений. Сейчас находимся в активной фазе проработки -- формируем дополнительние треки сбора данных, ищем подтверждения их ценности, юзкейсы и каналы внедрения продукта, бэнчмарки для оценки изменений
Что предстоит делать?
- проводить эксперименты, выдвигать и тестировать гипотезы для формирования MVP
- адаптировать и масштабировать решение под агенсткую систему в рамках различных бизнес-направлений
- искать новые источники данных и тестировать их ценность/применимость
- разрабатывать методологию оценки качества, настраивать llm-as-a-judge
- выводить новые модели/подходы в прод
От нас:
- Постоянное карьерное и личностное развитие: амбициозные задачи, полный цикл разработки, выступления на конференциях, классная команда энтузиастов и помощь в реализации самых смелых идей
- Минимум бесполезных встреч
- ДМС
Требования:
- Опыт в машинном обучении и NLP от 1 года (Middle) / от 3 лет (Senior)
- Знание, понимание архитектур и опыт работы с моделями, такими как GPT, BERT и их аналогами
- Уверенное владение Python и ML-стеком (PyTorch, transformers) на уровне написания кастомных циклов обучения и инференса
- Опыт успешного вывода NLP-моделей в продакшен и их оптимизации (для Middle/Senior)
- Знание основ работы с большими данными и опытом их обработки (Spark, Hadoop)
- Владение базовым набором навыков для разработки: bash, git, docker и тд.
- Высшее образование в области компьютерных наук, математики или смежных дисциплин
Ответы на 10 важных вопросов
1. Данные: Петабайты данных, накопленных за почти 10 лет, доступные в банковском хранилище для моделирования и самых смелых идей
2. Железо, продакшн и ноутбук: Много железа для самых различных потребностей при разработке (от маленьких проектов до обучения огромных моделей в мульти-гпу режиме), отдельная платформа для исполнения моделей, для работы вне офиса - SberBook для разработчиков, данные - в hdfs
3. Масштаб влияния на бизнес: продукт уже работает в проме и приносит пользу/фин.эффект. В дальнейшей влияние будет только увеличиваться, за счет большего количества бизнес-потребителей.
4. Уровень зрелости Data Science: функция ИИ внедрена по все ключевые направления бизнеса, ИИ приносит деньги и бизнес активно приходит с запросом на наши решения.
5. Роль Data Scientist в компании: ожидаем высокую степень автономности как личной, там и при кросс-командном взаимодействии - необходимо формировать и тестировать гипотезы, строить PoC ML решения, помочь бизнесу понять его ценность, подготовить целевую переменную, модель, провести презентацию заказчику, с помощью команды сопровождения вывести модель в пром и поставить на мониторинг.
6. Бэкграунд вашего руководителя: linkedin
7. Как часто вам будут мешать работать: 10-минутные дейлики по необходимости, 1 общекластерная встреча в неделю, плюс встречи с бизнес заказчиком в рамках решаемых задач.
8. Карьерный рост: ежеквартальные калибровки на уровне компании
9. Prod/research: prod - стараемся выжать максимум из существующих решений. Рисеч в команде тоже присутствует, но там где есть острая необходимость
10. Роль сервиса или лидера: роль разработчика, при успешном выполнении проектов появятся младшие коллеги для менторства
Резюме направляйте на почту ABSon@sberbank.ru с темой «Фамилия_имя_MP». Пожалуйста, соблюдайте шаблон темы, чтобы письмо не потерялось.
Позиция: middle+ DS (Causal Inference & Econometrics)
Компания: Х5 Group
Формат: Полная занятость (40 часов в неделю), удаленная работа (но по желанию можно работать из офиса)
Вилки: Оклад от 300 до 600 тыс. руб. gross + до 40% премия (уровень оклада обсуждается по итогам интервью)
💡Команда ad-hoc аналитики из X5 (Пятерочка, Перекресток, Чижик и т.д.) в поисках опытных DS-спецов с уклоном в Causal Inference и прикладную эконометрику
Про нас
Более 29 тысяч магазинов, 50 миллионов клиентов, петабайты данных - и все это нужно анализировать. Каждый день мы показываем, что наши супермаркеты - на самом деле цифровой проект, в котором большое место занимают Big Data и Data-Driven подход.
Мы в команде ad-hoc аналитики создаем новые ML-решения для бизнеса и докручиваем старые, занимаемся рисерчами, пишем интересные статьи и выступаем на конференциях, а также крутим AB-тесты в оффлайне и онлайне!
🔭Чем у нас предстоит заниматься?
В основном - end-to-end разработкой методологий и инструментов для оценки эффектов в случае, когда классические A/B-тесты неприменимы.
😎Требования:
- Имеешь опыт работы в DS-сфере от 2 лет
- Имеешь опыт в Causal Inference / эконометрике
- Знаешь, что такое эндогенность
- Можешь нарисовать DAG для конкретного DGP, сможешь на нем найти коллайдеры и медиаторы
- Знаком с современными подходами к анализу кросс-секционных и панельных данных (Doubly Robust Estimators (AIPW), DiD, TWFE, IV)
- Умеешь писать чистый и структурированный код на Python
- Знаешь SQL - умеешь строить оптимальные запросы, знакомство с hadoop-стэком будет плюсом;
🎁Что мы предлагаем:
- возможность работать удалённо или в гибридном формате;
- ежеквартальные премии по результатам работы;
- удобный офис рядом с м. «Добрынинская» / удобный офис с бесплатной парковкой на м. «Волгоградский проспект» / МЦД «Калитники»
- широкий пакет ДМС
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются lenovo/mac/dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя?
Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? Перспектива в лидера
Свои резюме в формате "Фамилия Имя Резюме DS ad-hoc" направлять сюда: @Zzzelar
Позиция: Middle/Middle+ Data Analyst (GenAI / Product Analyst)
Куда: Сбер, Команда Автономного кампейнинга
Формат работы: офис + гибрид — Москва, современный офис
Вилка gross: ~200-350 тр + годовой бонус 15+%
Что нужно делать?
• Вести продуктовую аналитику: метрики успеха, воронки, когорты, A/B-тесты для AI-агентов и платформы
• Оценивать эффективность агентов: accuracy, latency, satisfaction, конверсия, P&L
• Искать новые источники данных, проверять гипотезы, влиять на стратегию продукта
• Доносить результаты до команды и бизнеса
Требования:
• 2+ года в продуктовой/бизнес-аналитике
• SQL (оконные функции, план запроса), Python (pandas, scikit-learn)
• Опыт A/B-тестирования, проверки гипотез, анализа воронок
• Умение просто рассказывать о сложных данных
• Будет плюсом: знакомство с LLM, RAG, BigData стеком (Spark, Hive)
Что предлагаем:
• Уникальный продукт на стыке GenAI и маркетинга без легаси и бюрократии
• Современный офис с фитнес-залом, ДМС, белая ЗП + годовой бонус 15+%
• Доступ к огромным данным и вычислительным мощностям Сбера
• Профильное обучение за счёт компании, сильная команда профессионалов
Ответы на 10 важных вопросов:
1. Данные: Hadoop (весь объём данных Сбера), GreenPlum, внешние API
2. Железо: кластеры Spark/Hadoop, Kubernetes до 64 ядер / 512 ГБ RAM
3. Масштаб влияния на core-бизнес: прямое – платформа управляет маркетинговыми кампаниями и влияет на P&L
4. Уровень развития продуктовой аналитики в компании: все бизнес-линии покрыты ML, глубоко внедрены DL и NLP, аналитика — ключевой драйвер продуктовых решений
5. Роль аналитика в продукте: аналитик формирует data-driven культуру, обеспечивает метрики для DS и бизнеса, проверяет гипотезы
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: ежедневные стендапы + 1–2 встречи с бизнесом в неделю
8. Карьерный рост: формализованная матрица компетенций, регулярные ревью и защита грейдов
9. Prod/Research: 50/50
10. Функция сервиса или лидера: сервисная – обеспечение продуктовых метрик и аналитики
📧 Отправить CV: boychenko.a.a@sber.ru, тема «Data Analyst в Автономный кампейнинг», или TG @aries51
Позиция: Middle / Middle+ / Senior Data Scientist
Куда: Альфа-Банк, Департамент Разработки Моделей, Розничный Бизнес
Формат работы: гибрид — Москва, м. Технопарк + удаленно
Вилка gross: 200 000 – 400 000 ₽/мес
Что нужно делать?
• Участие в проекте умного ценообразования банковских продуктов в роли разработчика моделей;
• Полный цикл разработки моделей: сбор данных, проектирование и реализация различных архитектур моделей, обучение, валидация и вывод в прод;
• Разработка моделей для оценки эффекта воздействия, в основном uplift-моделей;
• Анализ A/B-тестов и оценка влияния моделей на бизнес-метрики;
• Работа с большими объемами банковских данных, создание новых признаков и их применение в моделях;
• Генерация и проверка гипотез, улучшение качества моделей и поиск новых подходов к решению бизнес-задач.
Требования:
• Middle / Middle+ / Senior DS с опытом разработки моделей полного цикла;
• Опыт работы с uplift-моделями будет преимуществом;
• Глубокие знания математики, теории вероятностей и математической статистики;
• Хорошее знание методов машинного обучения;
• Умение работать с данными: анализ, очистка, подготовка, отбор и создание признаков;
• Уверенное знание Python и библиотек для анализа данных и машинного обучения: pandas, scikit-learn, scipy, xgboost, lightgbm и т.п.;
• Понимание A/B-тестирования и методов оценки эффекта;
• Умение связывать технические решения с бизнес-задачами и учитывать специфику доменной области;
• Развитое логическое мышление;
• Опыт участия в хакатонах будет плюсом.
Что предлагаем:
• Интересные задачи и дружный коллектив;
• Feature Store и AutoML — baseline-решения из коробки;
• Автоматизированные сервисы по выводу моделей в пром;
• Максимум исследования и минимум бюрократии и рутины;
• Возможность влиять на решения в розничном бизнесе Альфа-Банка.
Ответы на 10 важных вопросов:
1. Данные: обычно Hadoop — все данные Альфа-Банка + внешние источники по API. Часть данных может быть в Oracle.
2. Железо: kuber до 64 ядер + 512 ГБ оперативы. Хадуп — 6TB, 1000+ ядер. Продакшн: система исполнения моделей + команда MLOps. Для работы: ноутбук + удалённое рабочее место.
3. Масштаб влияния на core-бизнес: модели влияют на ключевые банковские процессы и продуктовые решения в розничном бизнесе, в том числе на умное ценообразование банковских продуктов.
4. Уровень развития Data Science в компании: все линии бизнеса покрыты ML-моделями, где необходимо — успешно внедрен DL.
5. Роль дата-сайентиста: ДС-ы участвуют в постановке задачи, совместно с командой разработки генерят идеи развития. ДС-ы подготавливают код для внедрения в прод, выполняют функцию сопровождения сервиса для пользователей.
6. Бэкграунд у вашего руководителя: Linkedin
7. Как часто вам будут мешать работать: внутренние созвоны с командой и заказчиками, основной фокус — на разработке моделей, исследованиях и внедрении.
8. Карьерный рост: формализована матрица компетенций. Ежеквартально происходят «круглые столы» с пересмотром и защитой.
9. Prod / Research: Prod 80%.
10. Функция сервиса или лидера: сервис/лидер — 70%/30%.
📧 Отправить CV: @lisenokDan
Позиция: Middle/Senior Quant Researcher
Куда? QST (Quantstellation), Бутиковый prop HFT-фонд, TradFi (Derivatives)
Формат работы: Гибрид или релокация: Лимасол (Кипр) / Москва.
Вилка: $7,000–$15,000 net + бонус из profit-пула по прозрачной PnL-формуле.
Что нужно делать?
• Выстраивать альфу с нуля, а не просто итерировать чужие пайплайны.
• Искать неэффективности на крупнейших биржах (CME, Eurex, NSE, KRX) с фокусом на деривативы (фьючерсы и опционы).
• Заниматься исключительно ресерчем на Python (писать на C++ не нужно, это закрывает команда Quant Dev).
• Проверять гипотезы, тестировать стратегии и доводить их до продакшена в рамках выстроенного in-house pipeline.
Требования:
• Сильная математическая база и глубокое понимание методов машинного обучения.
• Уверенное владение Python как основным инструментом для ресерча.
• Желателен опыт в TradFi, но кандидаты с сильным бэкграундом в крипте также рассматриваются.
• Подтвержденный трек-рекорд: высокий рейтинг на соревновательных площадках, медали Kaggle или сильный академический бэкграунд.
Ответы на 10 важных вопросов:
1. Данные: Исторические и real-time рыночные данные с крупнейших мировых бирж + крипта как дополнительная компонента.
2. Железо: Своя платформа, FPGA и собственный GPU-кластер для обучения тяжелых моделей.
3. Масштаб влияния на core-бизнес? Фонд 18 лет торгует на свои деньги (без внешних LP) с объемом >$80B в месяц. Ваши стратегии — это прямой PnL компании.
4. Уровень развития DS/Quant в компании? Топовый. Полный research-to-production pipeline под одной крышей с минимальным путем от гипотезы до продакшена.
5. Роль ресерчера: Максимальная фокусировка на генерации альфы на Python. Внедрением в железо и оптимизацией занимается сильная команда разработчиков. Здесь вместе ищут альфу, а не конкурируют изолированными командами.
6. Бэкграунд у вашего руководителя? Фаундеры — выходцы с мехмата МГУ. Anton Ragin (Co-Founder). В команде работают Kaggle Masters+, PhD и выпускники ШАД. Средний стаж в компании >6 лет.
7. Как часто вам будут мешать работать? Плоская структура и отсутствие бюрократии. Гибкий график, классические 40 часов в неделю, без работы по выходным.
8. Карьерный рост: Прозрачная PnL-формула. Успешные стратегии генерируют апсайд в «иксах» от фикса — никаких искусственных потолков в доходе.
9. Prod/Research: Applied Research с очень быстрой доставкой в Prod.
10. Функция сервиса или лидера? Безусловный лидер. Вы генерируете профит, инфраструктура работает на вас.
✈️ TG: @QuantScout
Позиция: DS junior+ (Causal Inference & Econometrics)
Компания: Х5 Group
Формат: Полный занятость (40 часов в неделю).
Локация: Удаленная работа (но по желанию можно работать из офиса БЦ Оазис, г. Москва)
Вилка: 260к-360к gross + 20% премия от годового оклада
💡Команда ad-hoc аналитики из X5 (Пятерочка, Перекресток, Чижик и т.д.) в поисках опытных DS-спецов с уклоном в Causal Inference и прикладную эконометрику
🔬Почему у нас интересно?
Более 29 тысяч магазинов, 50 миллионов клиентов, петабайты данных - и все это нужно анализировать
Ты будешь работать в команде нового стрима - никакого легаси, много интересных исследовательских задач - большая часть работы будет именно про 'рисеч': разбор бизнес-механик и формулирование причинных гипотез, чтение свежих статей и имплементация методов оттуда, сравнение этих методов между собой
🔭Чем у нас предстоит заниматься?
- End-to-end разработкой методологий и инструментов для оценки эффектов в случае, когда классические A/B-тесты неприменимы
- Внедрением продвинутых эконометрических подходов для улучшения текущих методологий (например, сейчас пытаемся внедрить инструментальные переменные там, где это возможно)
- Написанием статей по итогам особо интересных задачек
Примеры уже решенных задач - оценка эффекта различных продуктов лояльности (Пакет, Апельсин, Клубы, Food.ru) на траты клиента
😎Ты нам подходишь, если ты:
- Имеешь опыт работы в DS-сфере от года
- Имеешь бэкграунд в Causal Inference / эконометрике (наука, учеба, работа)
- Знаешь, что такое эндогенность, из-за чего она может возникать и как с ней бороться
- Можешь отличить конфаундер от инструмента
- Можешь нарисовать DAG для конкретного DGP, сможешь на нем найти коллайдеры и медиаторы
- Знаком с современными подходами к анализу кросс-секционных и панельных данных (Doubly Robust Estimators (AIPW), DiD, TWFE, IV)
- Умеешь писать чистый и структурированный код на Python, знаешь классические алгоритмы и структуры данных
- Знаешь SQL - умеешь строить оптимальные запросы, знакомство с hadoop-стэком будет плюсом;
🎁Что мы предлагаем:
- возможность работать удалённо или в гибридном формате;
- ежеквартальные премии по результатам работы;
- удобный офис рядом с м. «Добрынинская» / удобный офис с бесплатной парковкой на м. «Волгоградский проспект» / МЦД «Калитники»
- гибкий график работы (с 8/9/10 утра) / График работы: 5/2, с 9:00 до 18:15 (в пятницу — до 17:00);
- широкий пакет ДМС (включая выезд за рубеж и стоматологию), страхование жизни и здоровья;
- возможность учиться и развиваться за счёт компании;
- программы мотивации для спикеров и авторов;
- Классный коллектив, теплая атмосфера и веселые ретро с играми и битвой мемов, а также оффлайн-тимбилдинги.
Ответы на 10 важных вопросов :
1. Данные: данных петабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 2 сервера под расчеты, каждый Intel Xeon 32Core 256 GB RAM Bare Metal.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются HP / Dell.
3. Масштаб влияния на core-бизнес? Решаемые задачи затрагивают более 22000 магазинов по всей стране.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата сайентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам performance review, которые проводятся 2 раза в год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.
Свои резюме в формате "Фамилия Имя Резюме JUNIOR" и вакансию направлять сюда: @Zzzelar
Позиция: Lead AI Engineer
Куда: ООО "Код открытия"
Формат работы: полная занятость; офис в Москве (м. Курская);
Вилка гросс: 400-800k
Про нас:
Мы создаём AI-систему для работы с туристическими данными, прогнозирования продаж и динамического ценообразования — продукт, который изменит способ взаимодействия с информацией о турах для миллионов россиян.
Продукт использует последние достижения в области LLM (Claude 4.5, GPT-4o), RAG-систем и компьютерного зрения для интеллектуальной обработки и анализа туристической информации. Система работает с описаниями туров, визуальными характеристиками отелей, отзывами и данными о действиях пользователей.
Команда 9 человек, коммуникация прямая, иерархии нет. Работаем как настоящий стартап: быстрые решения, короткие итерации, еженедельные релизы. Цель к концу года — доказать эффективность AI-подхода на конкретных бизнес-метриках.
Что предстоит делать?
На этой позиции вы будете отвечать за всю AI-часть: от выбора моделей до построения RAG-pipeline и мультимодального поиска. Каждая ваша итерация должна повышать качество работы системы — мы работаем с реальными метриками (точность подбора, время обработки запросов, удовлетворенность пользователей).
Требования:
- Опыт с продакшен LLM-приложениями (вы уже строили RAG-системы или чат-боты на основе GPT/Claude)
- Знаете как работают современный RecSys модели
- Промпт-инжиниринг на уровне эксперта (умеете выжимать максимум через правильную структуру промптов, few-shot examples, chain-of-thought)
- Опыт работы с эмбеддингами и векторным поиском (similarity search, hybrid search, reranking)
- Python на уровне продакшена (чистый, быстрый код)
- Продуктовое мышление (AI — инструмент для решения бизнес-задачи, не самоцель)
Будет плюсом:
- Опыт с компьютерным зрением / мультимодальными моделями
- Опыт с high-load системами и оптимизацией latency
- Понимание ML Ops (мониторинг моделей, версионирование, A/B тестирование)
Ответы на 10 вопросов:
1. Данные: ~100,000 туров из API туроператора (описания, фотографии, цены, характеристики отелей). Парсинг отзывов с TripAdvisor и Booking.com. Хранение в PostgreSQL + векторные представления в Qdrant. Все взаимодействия пользователей логируются для анализа и улучшения системы.
2. Железо: Kubernetes кластер в Облаке. Для разработки: стационарный ПК. Для обработки изображений через VLM: batch-обработка 10,000-50,000 фотографий (запускаем периодически при добавлении новых направлений). Для работы с LLM используем развернутые в облаке open-source модели.
3. Масштаб влияния на core-бизнес? AI-система должна стать главным драйвером роста рентабельности и выручки для туристического направления бизнеса.
4. Уровень развития Data Science в компании? В компании более 5 лет существуют ML, DL команды. Компания успешно разрабатывает и внедряет AI продукты все это время.
5. Роль AI-инженера: Вы отвечаете за всю AI-часть продукта от начала до конца. Участвуете в формировании roadmap, решаете какие функции реализовывать. Пишете код для продакшена, запускаете A/B тесты, анализируете метрики, формируете и развиваете команду. Это 100% ownership.
6. Бэкграунд у вашего руководителя? Head of Data Science в IT-компании, Product Owner в AI-продуктах. Linkedin
7. Как часто вам будут мешать работать? Синхронизация с командой (backend, frontend) — 2-3 часа в неделю. Созвоны с бизнесом по метрикам — 1 час в неделю. Остальное время — ваше для разработки и экспериментов.
8. Карьерный рост: Если продукт выстрелит (а мы в это верим), это станет отдельным направлением с собственной командой. Вы естественным образом станете Head of AI туристического AI-продукта. Это позиция для тех, кто хочет расти вместе с продуктом.
9. Prod/Research: Prod 95% / Research 5%.
10. Функция сервиса или лидера? Лидер 80% / Сервис 20%. Вы принимаете все ключевые технические решения по AI-части. Выбираете модели, архитектуру, решаете что A/B тестировать.
Резюме и вопросы направляйте на: @eugeneshar с пометкой «Lead AI Engineer»
Позиция: Middle Backend Developer (Java)
Куда: Сбер, B2C, Data Unit, Трайб X
Формат работы: полная занятость; офис/гибрид в Москве, Санкт-Петербурге
Вилка гросс:
250-430 + годовой бонус (mid 25%, max 50%) от годового оклада
Про нас:
Мы разрабатываем внутреннее веб-приложение для создания и управления клиентскими сегментами. Платформа позволяет кампейн-инженерам и аналитикам формировать целевые аудитории через UI с фильтрами по клиентским атрибутам, рассчитывать размер аудитории в реальном времени и публиковать готовые сегменты.
В 2026 году мы планируем реализовать бэклог из множества задач, включая расширение функциональности конструктора сегментов, разработку ИИ-помощника, разработку интеграционных взаимодействий.
Что предстоит делать?
- Разрабатывать бизнес-логику компонентов приложения
- Проектировать и создавать REST API
- Разрабатывать интеграционные компоненты с внешними системмами
- Разрабатывать компоненты для работы ИИ-агентов в веб-приложении
От нас:
- Разработка важной функциональности, которую ждут многочисленные внутренние клиенты из разных команд Банка
- Амбициозные задачи для создания лучшего продукта на рынке
- Минимум бесполезных встреч
- ДМС
Требования:
- Уверенное знание и опыт работы с Java, Spring Boot от 3х лет
- Опыт промышленной разработки асинхронных сервисов и веб-приложений
- Знание SQL
- Опыт написания юнит-тестов
Что ещё может пригодиться:
- Clickhouse, Kafka, Spark, Flink
- Kotlin
- Опыт встраивания ИИ-агентов
- CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps
Ответы на 10 важных вопросов
1. Данные: мета-данные приложения, обмен с внешними приложениями через kafka.
2. Железо, продакшн и ноутбук: деплой в Kubernetes. Рабочий ноутбук на Linux + разные варианты ВРМ (Citrix Workspace, преимущественно Windows).
3. Масштаб влияния на бизнес: продукт на стадии опытной эксплуатации, в перспективе станет главным выбором для различных бизнес-процессов Банка, требующих сборку аудитории.
4. Уровень зрелости Data Science: функция ИИ внедрена во все ключевые направления бизнеса, ИИ приносит деньги и бизнес активно приходит с запросом на наши решения.
5. Роль BD: разработка внутренних и интеграционных компонентов.
6. Бэкграунд вашего руководителя: Linkedin.
7. Как часто вам будут мешать работать: Ежедневные дейли, планирование на час-полтора один раз в 2-недельный спринт.
8. Карьерный рост: Каждый квартал – компания оценок и ревью. Централизованные компании по пересмотру ЗП и грейда раз в полгода.
9. Prod/research: prod - исключительно прикладыные задачи.
10. Роль сервиса или лидера: преимущественно сервисная роль.
Резюме присылать с темой «Вакансия_Фамилия_BE_SGM» на почту nnsaraskina@sberbank.ru
Позиция: Middle+/Senior DS
Куда: Циан, команда SnR SmartSearch
Вилка гросс: 350к – 500к
Формат работы: Удаленка по РФ. Офисы в Москве, СПБ и Новосибирске
Про нас:
Мы расширяем ML-команды, отвечающие за поиск, рекомендации и ранжирование. Ищем ML / NLP инженера, который будет драйвить развитие поискового стека — от классических моделей поиска и ранжирования до нейронных и мультимодальных решений, доведённых до стабильного high-load продакшена. Также мы IT компания
Что предстоит делать?
- Развивать текстовый поиск Циан: query understanding, retrieval, ranking ,re-ranking
- Улучшать качество подсказок и автокомплита
- Работать с классическими и нейросетевыми моделями поиска: BM25, dense / hybrid retrieval
- Развивать мультимодальный поиск (текст + изображения + гео)
Требования:
- 3+ лет опыта работы в сфере NLP / поиском / ранжированием
- Опыт работы с классическим ML в проде
- Опыт работы с NLP задачами Генерация/Классификация/NER, не только LLM
- Уверенный Python и чистый код.
Будет плюсом:
- Практический опыт работы с векторными БД и ANN-алгоритмами, понимание поисковых движков
- Работа с мультимодальными представлениями
- Опыт работы с high-load системами
- Spark/Kafka/HDFS
10 Вопросов:
1. Данные: Храним в hadoop, есть как внутренние так и внешние источники
2. Железо: Есть A100 , кластер для хадупа, MLOps команда чтобы в случае необходимости поднимать тяжелые модели эффективно. Macbook и облачный хаб.
3. Влияние: SNR управляет ликвидностью и поиском на площадке, SmartSearch - молодая команда, созданная чтобы задрайвить новые технологии
4. Уровень развития: ML проходит через весь бизнес. Есть и DL и LLM где это целесообразно
5. Роль: DS - часть продуктовой команды. Вместе продумываем сетапы и грумим идеи. DS катит решения в прод совместно с Backend. Для просчета экспериментов и визуализаций есть аналитики.
6. TeamLead: Linkedin , @mistakef
7. Будут ли мешать: короткие DSM, продуктовые грумминги(1-2 раза в неделю), 1:1, общекомандные демо(раз в 2 недели), встречи по текущим проектам в тесном составе по мере необходимости. Предпочтитаем работать, а не сидеть по встречам
8. Карьерный рост: Есть матрица компетенций, фромируем ЛПР, менторство. Возможность расти как IC так и лидить.
9. Prod/Research: Prod:>70% мы больше про RnD. Ресерч нацеленный на то, чтобы запустить в прод.
10. Сервис/Лидер: Ожидания что человек будет частью продуктовой команды и будет не просто обучать модели, но и думать зачем и как это поможет бизнесу. Есть еще Product и Teamlead которые также драйвят направление
Отклики: @mistakef
Хочется Ds в Циан но не знаю куда лучше @DANAlina95
Позиция: Middle+ / Senior Data scientist (LLM/NLP)
Компания: Холдинг Т1
Формат: на постоянной основе
Локация: дистанционно
Вилка: От 250 000 руб. до 450 000 руб. на руки
Обязанности
- Решение задач, направленных на обработку и структурирование текстовой информации для разработки моделей;
- Построение решений на базе LLM моделей \ разработка промптов;
- Суммаризация информации для генерации кода и тестов;
- Генерация кода и тестов с помощью LLM;
- Определение роли пользователя \ выделение навыков с помощью LLM;
- Генерация рекомендаций по улучшению кода пользователя с помощью LLM;
- Построение RAG сервиса базы знаний по коду и тестам;
- Формулирование гипотез для улучшения алгоритмов и сервисов, реализация дизайна экспериментов, проведение экспериментов с анализом итоговых результатов
Требования
- Опыт работы в области NLP/LLM/ML от 2-х лет;
- Высокий уровень математического аппарата - математический анализ, линейная алгебра, теория вероятностей;
- Детальное понимание моделей машинного обучения и алгоритмов;
- Уверенное владение языком Python 3.х, будет плюсом: ООП, паттерны, Web, Clean code;
- Знания Linux, bash, Docker (более глубокие знания DevOps будут плюсом, но не обязательны);
- Знание classic ML/NLP - инструментов (numpy, pandas, sklearn, gradio, nltk, spacy, pymorphy, natasha, regex и др.);
- Опыт тюнинга моделей на различные задачи NLP (Question Answering, Code Search, Code Completion, Text Classification, POS Tagging, Machine Translation) и работы с эмбеддингами w2v, fastText, BERT, BM25 на PyTorch;
- Опыт/знание хотя бы 1 фреймворка деплоя/квантизации: vLLM, CTranslate2, OpenLLM, DeepSpeed-MII, Text generation inference;
- Вывод ML/NLP моделей через интерфейс (gradio/streamlit, fastapi/flask, FastChat).
Мы предлагаем:
- Конкурентную заработную плату
- Гибридный / дистанционный (по желанию) формат работы
- Дружную команду
- Оформление по ТК РФ
- ДМС с телемедициной, стоматологией и возможностью подключения родственников для психологической, юридической и финансовой поддержки.
- Скидки и партнерские программы.
- Участие в конференциях и бесплатное обучение.
Ответы на 10 важных вопросов:
1. Данные: данных терабайты, создание ИИ-агентов (помощников разработчиков), которые включают в себя GenAI, LLM, подходы DS.
2. Железо: Lenovo, производительность в соответствии с задачами.
3. Масштаб влияния на бизнес? Решаемые задачи затрагивают самые разные сферы бизнеса, оптимизируют и ускоряют процессы разработки.
4. Уровень развития Data Science в компании? Data Science в компании выделен как одно из ключевых направлений.
5. Роль дата саиентиста: полный цикл от понимания бизнес потребности до внедрения решений для решения ее.
6. Бэкграунд у вашего руководителя? Linkedin
7. Как часто вам будут мешать работать? Встречаться будем в Дион, но не часто.
8. Карьерный рост: Прозрачные карьерные маршруты по результатам работ.
9. Prod/Research: Задача может быть любая, так что research + prod.
10. Функция сервиса или лидера? Обсуждается.
Заинтересовавшиеся кандидаты могут направить свои резюме по e-mail на адрес Орловой Марины (Орлова Марина Сергеевна <MaOrlova@inno.tech>)
Результаты карьерного опроса
🐌 На этой неделе исполнился год с запуска нашего карьерного опроса — время подвести итоги. За это время абсолютные значения, скорее всего, уже изменились. Но опрос проводился не ради них — актуальные вилки можно итак посмотреть в канале @not_boring_ds_jobs.
Гораздо интереснее было разобраться глубже и попробовать ответить на следующие вопросы:
1. Как связан возраст и опыт с грейдом? Как он меняется в зависимости от отрасли?
2. Платят ли мужчинам больше, чем женщинам и получают они ли выше грейды?
3. Как образование влияет на карьеру?
4. Как хард скиллы влияют на доход?
5. Как отличается уровень дохода в регионах и Москве?
6. Как уровень дохода зависит от компании и сферы?
7. Как уровень дохода зависит от того, с какими данным работаешь?
8. Как долго задерживаются в одной компании в зависимости от грейда?
9. Как зависит число встреч от дохода и грейда?
10. Как меняется премиальная часть с ростом дохода?
11. Как переработки влиют на доход и скорость карьерного роста? правда ли что с ростом грейда нужно перерабатыать больше?
12. Как влияет тех бэкграунд вашего руководителя на удовлетворенность работой и доходом?
13. Какие факторы влияют на удовлетворенность работой?
14. Как влияет развитие ценных навыков на удовлетворенность? а как сюда примешивается уровень дохода? правда ли что можно доход в момент можно заменить развитием скиллов?
15. Как связаны удовлетворенность и уровень дохода с желанием сменить работу?
16. Сколько нужно доплатить в процентом соотношении чтобы перекупить дата сайнтиста? Какая этот процент зависит от удовлетворенности?
17. Кто готов терять в доходе при смене работы на более интересную?
18. Как связаны планы на смену работы с продолжительностью работы на текущем месте?
19. Как относятся к head of ds: Позитивно, негативно, конструктивно?
20. Как ** связана с уровнем дохода и удовлетворенностью?
21. Интересные но не стат значимые результаты по head of ds и выше
Сегодня мы посмотрели на EDA и ответили на первый вопрос.
🔜 продолжение в следующих постах
🙏 @Aleksandr_Vav1 за аналитику
Позиция: Junior-Senior MLE
Куда: Сбер, B2C, Data Unit, Трайб X
Формат работы: полная занятость; офис/гибрид в Москве, Санкт-Петербурге
Вилка гросс:
150-250 джун + годовой бонус (mid 15%, max 30%) от годового оклада
250-430 мидл + годовой бонус (mid 25%, max 50%) от годового оклада
430-570 синьор + годовой бонус (mid 25%, max 50%) от годового оклада
Про нас:
Разрабатываем и внедряем сервисы, пайплайны и AI-агентов для получения полезных знаний из взаимодействий с клиентами в различных точках контакта. Есть рабочее пилотное решение и сейчас находимся в фазе расширения обрабатываемых точек контакта
Что предстоит делать?
- Дорабатывать и поддерживать существующий сервис. Разрабатывать интеграции для выхода на новые точки контакта с клиентами.
- Разрабатывать и внедрять новые сервисы с ML моделями
- Помогать с разработкой ETL для сбора полученных данных
- Проводить код-ревью, следить за качеством кода, писать тесты
От нас:
- Продуктовая разработка сервиса, в перспективе работающего с данными всех клиентов банка (100+ млн)
- Постоянное карьерное и личностное развитие: амбициозные задачи, полный цикл разработки, выступления на конференциях, классная команда энтузиастов и помощь в реализации самых смелых идей
- Минимум бесполезных встреч
- ДМС
Требования:
- Опыт внедрения в ПРОД сервисов с ML моделями
- Python, FastAPI/Flask/Django
- Kafka, PostgreSQL
- Docker, Openshift/K8s на уровне разработчика
- Понимание принципов работы ML и LLM
- Знакомство с ML-стеком (Pytroch, transformers)
Что ещё может пригодиться:
- Hadoop, PySpark, Airflow
- Scala, SQL
- CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps
Ответы на 10 важных вопросов
1. Данные: Петабайты данных, накопленных за почти 10 лет, доступные в банковском хранилище. По нагрузке будем расти до работы со всеми 100+ млн клиентов.
2. Железо, продакшн и ноутбук: В проде Openshift и огромные кластера Hadoop для ETL. При необходимости есть GPU. Рабочий ноутбук на Linux + разные варианты ВРМ (Citrix Workspace, преимущественно Windows)
3. Масштаб влияния на бизнес: продукт уже работает на части клиентской базы, в перспективе – раскатываемся на всех клиентов. Полученные нами данные могут использоваться разнообразными подразделениями.
4. Уровень зрелости Data Science: функция ИИ внедрена во все ключевые направления бизнеса, ИИ приносит деньги и бизнес активно приходит с запросом на наши решения.
5. Роль MLE в компании: разрабатывать и поддерживать сервисы, настраивать мониторинги и логирование, помогая коллегам DS-ам интегрировать ML-решения. Именно ML модели не разрабатывает. Имеет место бюрократия - с ней будем справляться совместно)
6. Бэкграунд вашего руководителя: LinkedIn
7. Как часто вам будут мешать работать: Ежедневные дейли, планирование на час-полтора один раз в недельный спринт.
8. Карьерный рост: Каждый квартал – компания оценок и ревью. Централизованные компании по пересмотру ЗП и грейда раз в полгода.
9. Prod/research: Основное – катить фичи в продакшн.
10. Роль сервиса или лидера: в первое время преимущественно роль сервиса.
Резюме присылать с темой «Вакансия_Фамилия_MLE_CD_PP» на почту mnikragoyzha@sberbank.ru
📢Ищем к себе в команду
Позиция: Junior/Middle MLE (с хорошим пониманием DL и фокусом на engineering)
Куда: Сбер, B2C, Data Unit, Трайб X
Формат работы: полная занятость; офис в Москве, Санкт-Петербурге
Вилка гросс:
150-250 джун + годовой бонус (mid 15%, max 30%) от годового оклада
250-430 мидл + годовой бонус (mid 25%, max 50%) от годового оклада
Про нас:
Наша команда занимается внедрением нейронных сетей в бизнес-процессы банка. Мы строим не только SOTA алгоритмы, но и активно «приземляем» наши исследования, растим бизнес и клиентский опыт, исследуем новые источники данных и подходы к моделированию на них.
На данную позицию ищем классного MLE, который поможет унифицировать наши решения. Сейчас в различных командах есть свои большие нейросети (модели на последовательных событиях и табличных данных (transaction/event sequences + tabular) и свои пайплайны для их обучения/инференса, ищем человека, который поможет это собрать в единый модульный репозиторий
Что предстоит делать? (в тесном взаимодействии с техлидами команд; роль самостоятельная по ownership)
- cпроектировать единые интерфейсы Dataset/Model/Trainer/Evaluator для моделей на последовательных и табличных данных.
- cделать единый evaluation harness: одинаковые сплиты, метрики, протоколы, сравнимые условия обучения/инференса.
- обеспечить воспроизводимость экспериментов (фиксирование конфигов, версий датасетов, сидов, артефактов).
- организовать лидерборд результатов бенчмарков (хранение, обновление, сравнение по датасетам/метрикам/сценариям)
- написать документацию уровня ‘как пользоваться’ + ‘как расширять’ (гайд по добавлению модели/датасета/метрики)
- подготовить примеры и шаблоны (recipes) fine-tuning/обучения/инференса
- настроить CI и набор тестов: unit/integration/contract tests, проверки совместимости модулей
- поддерживать, ревьюить и развивать репозиторий
- много взаимодействия с командами: собирать требования, согласовывать контракты интерфейсов, помогать миграции
От нас:
- Постоянное карьерное и личностное развитие: амбициозные задачи, полный цикл разработки, выступления на конференциях, классная команда энтузиастов и помощь в реализации самых смелых идей
- Минимум бесполезных встреч
- ДМС
Требования:
- Опыт работы в DS/ML
- Сильный Python (типизация, структура проекта, packaging)
- Опыт написания тестов (pytest), CI
- Отличное знание Pytorch (must, это то, без чего ты не сможешь работать)
- Опыт рефакторинга и унификации кода в большом репозитории
- Высшее образование (оконченное или учишься) в области компьютерных наук, математики или смежных дисциплин
- Английский язык на уровне чтения технической документации
Будет большим плюсом:
- Успех в ML-соревнованиях
- MLOps стек/навыки (Jenkins/Airflow/Kuber... в дополнение к ML)
- Опыт с Pyspark/Hadoop
Ответы на 10 важных вопросов - в посте выше
Резюме направляйте на почту AAnatFirstov@sberbank.ru
с темой «Вакансия_Фамилия_DS_B2C_CD» (прошу обратить внимание на шаблон, в противном случае рискую упустить Ваше сообщение)
Позиция: junior+/middle CV engineer
Куда? НКБТех nkbtech.ru
График: 40 часов в неделю, возможно обсуждение part-time
Формат работы: Гибрид в Москва Сити (приоритет) или удалёнку из РФ
Вилка net: 160к-300к рублей
Описание: Компания Физтехов, занимаемся разработками систем с компьютерным зрением. Приложения - автономные БПЛА, гражданская безопасность, работа с документами, агро, гиперспектральные камеры. Технические задачи: : детекция и трекинг, сегментация, VSLAM, OCR, Sensor fusion. Много занимаемся Edge AI на базе новых недорогих железок.
Периодически ходим на хакатоны и конференции, как слушатели и докладчики.
Что нужно делать?
◦ Разрабатывать технологии VSLAM и sensor fusion
◦ Решать задачи с 2.5D и 3D зрением
◦ Исследовать новые подходы в SOT, MOT трекинге
◦ Оптимизировать модели и алгоритмы для edge
◦ Возможны задачи по автономному управлению
Требования:
◦ Хорошие навыки кодинга на Python (C/C++ будет супер плюсом)
◦ Уверенное знание pytorch, opencv и его аналогов
◦ Понимание работы классического ML, CV, DL
◦ Хороший бекграунд в математике и/или физике
Будет плюсом:
◦ Опыт с edge: orange/raspberry pi, jetson
◦ Знание deepstream, triton и других сёрвинг движков
◦ Понимание rtsp, webrtc, кодирования изображений
◦ Опыт управления командой разработчиков
◦ Практика публичных выступлений (конференции, обучение студентов, презентации)
◦ Участие в соревнованиях по ML (хакатоны, kaggle и т.п.)
◦ Научные статьи в рецензируемых журналах
◦ Свой pet-проект
Ответы на 10 важных вопросов:
1. Данные: Open-source, либо выстраиваем пайплайн самостоятельного сбора и разметки данных.
2. Железо: Сервер с 3х4090 48Gb, облако с A100/H100, Rockchip для прода и тестов.
3. Масштаб влияния на core-бизнес? Ключевой - развитие основного продукта компании.
4. Уровень развития Data Science в компании? 95% сотрудников занимаются DS
5. Роль дата сайентиста: Фулл стек датасаенс от работы с данными, разработки алгоритмов, тестировании и выведении в прод. Участие в общении с заказчиком.
6. Бэкграунд у вашего руководителя? Резюме, 6+ лет в видеоаналитике, edge AI
7. Как часто вам будут мешать работать? 2 часа звонков в неделю, никакого корпоративного булшита
8. Карьерный рост: Хотим растить человека либо в senior, либо в lead позицию
9. Prod/Research: Продовые задачи, осязаемые, интересные, значимые
10. Функция сервиса или лидера? На данном этапе сервисных функций больше.
P.S. возможно рассмотрение написания дипломной работы
Резюме грузить через форму
Вопросы можно задать на наш общий аккаунт @nkbtech_main или мне @alex_physic
Позиция: Junior-Senior MLE
Куда: Сбер, B2C, Data Unit, Трайб X
Формат работы: полная занятость; офис/гибрид в Москве, Санкт-Петербурге
Вилка гросс:
150-250 джун + годовой бонус (mid 15%, max 30%) от годового оклада
250-430 мидл + годовой бонус (mid 25%, max 50%) от годового оклада
430-570 синьор + годовой бонус (mid 25%, max 50%) от годового оклада
Про нас:
Разрабатываем и внедряем сервисы, пайплайны и AI-агентов для получения полезных знаний из взаимодействий с клиентами в различных точках контакта. Есть рабочее пилотное решение и сейчас находимся в фазе расширения обрабатываемых точек контакта
Что предстоит делать?
- Дорабатывать и поддерживать существующий сервис. Разрабатывать интеграции для выхода на новые точки контакта с клиентами.
- Разрабатывать и внедрять новые сервисы с ML моделями
- Помогать с разработкой ETL для сбора полученных данных
- Проводить код-ревью, следить за качеством кода, писать тесты
От нас:
- Продуктовая разработка сервиса, в перспективе работающего с данными всех клиентов банка (100+ млн)
- Постоянное карьерное и личностное развитие: амбициозные задачи, полный цикл разработки, выступления на конференциях, классная команда энтузиастов и помощь в реализации самых смелых идей
- Минимум бесполезных встреч
- ДМС
Требования:
- Опыт внедрения в ПРОД сервисов с ML моделями
- Python, FastAPI/Flask/Django
- Kafka, PostgreSQL
- Docker, Openshift/K8s на уровне разработчика
- Понимание принципов работы ML и LLM
- Знакомство с ML-стеком (Pytroch, transformers)
Что ещё может пригодиться:
- Hadoop, PySpark, Airflow
- Scala, SQL
- CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps
Ответы на 10 важных вопросов
1. Данные: Петабайты данных, накопленных за почти 10 лет, доступные в банковском хранилище. По нагрузке будем расти до работы со всеми 100+ млн клиентов.
2. Железо, продакшн и ноутбук: В проде Openshift и огромные кластера Hadoop для ETL. При необходимости есть GPU. Рабочий ноутбук на Linux + разные варианты ВРМ (Citrix Workspace, преимущественно Windows)
3. Масштаб влияния на бизнес: продукт уже работает на части клиентской базы, в перспективе – раскатываемся на всех клиентов. Полученные нами данные могут использоваться разнообразными подразделениями.
4. Уровень зрелости Data Science: функция ИИ внедрена во все ключевые направления бизнеса, ИИ приносит деньги и бизнес активно приходит с запросом на наши решения.
5. Роль MLE в компании: разрабатывать и поддерживать сервисы, настраивать мониторинги и логирование, помогая коллегам DS-ам интегрировать ML-решения. Именно ML модели не разрабатывает. Имеет место бюрократия - с ней будем справляться совместно)
6. Бэкграунд вашего руководителя: LinkedIn
7. Как часто вам будут мешать работать: Ежедневные дейли, планирование на час-полтора один раз в недельный спринт.
8. Карьерный рост: Каждый квартал – компания оценок и ревью. Централизованные компании по пересмотру ЗП и грейда раз в полгода.
9. Prod/research: Основное – катить фичи в продакшн.
10. Роль сервиса или лидера: в первое время преимущественно роль сервиса.
Резюме присылать с темой «Вакансия_Фамилия_MLE_CD_PP» на почту mnikragoyzha@sberbank.ru
Офер за 2 дня в Яндекс
28 февраля–1 марта проводим Weekend Offer Analytics — мероприятие быстрого найма для продуктовых, data-аналитиков и data scientists с опытом работы от 3 лет на Python.
Как всё устроено:
🔵Зарегистрируйтесь на сайте до 25 февраля.
🔵Пройдите две технические секции 28 февраля.
🔵Познакомьтесь с командами и получите офер 1 марта.
Присоединяйтесь, чтобы создавать и улучшать продукты, которыми пользуются миллионы пользователей каждый день.
На сайте собрали все подробности — читайте по ссылке и регистрируйтесь: https://yandex.ru/project/events/wo-analytics-0226
📣 Всем привет, ищем к себе Project Manager в AI-команду
Позиция: Project Manager
Куда: Сбер, B2C, Data Unit, Трайб X
Вилка гросс: 260–390k + годовой бонус
Формат работы: полная занятость / гибрид 3/2, Москва, Кутузовский 32к1
Про команду и роль:
Мы — RnD команда, которая строит интеллектуальные агенты на базе LLM, RAG, NLP
для глубокого понимания клиента и для персонализации клиентского опыта в B2C.
Project Manager — ключевая роль между владельцем продукта, DS / DE / MLE и руководителем трайба.
Задача роли — выстраивать процессы, управлять ожиданиями стейкхолдеров, достигать договоренностей и следить за ними, чтобы доводить AI-проекты до прода.
Что предстоит делать:
- вести end-to-end AI/DS-проекты: от формулировки бизнес-задачи и проработки сбора данных до административного сопровождения вывода решения в прод
- совместно с командой формировать scope, цели, метрики успеха и roadmap проектов
- планировать работы команды и смежников, управлять сроками, приоритетами и зависимостями, находить воркэраунды для достижения результатов в срок
- организовывать кросс-командное взаимодействие
- контролировать риски, блокеры и своевременно их эскалировать
- готовить статусы, презентации и отчетность для ключевых стейкхолдеров
- участвовать в развитии проектных и продуктовых процессов трайба
Ожидания от кандидата:
- опыт работы Project Manager / Delivery Manager
- опыт работы с DS / ML / аналитическими командами
- опыт ведения IT, Data или AI-проектов
- понимание жизненного цикла ML/AI-продукта
- умение работать с неопределенностью и меняющимися требованиями
- развитые коммуникационные навыки
- уверенная работа с Jira, Confluence, умение готовить качественные материалы и презентации
От нас:
- амбициозные AI-продукты
- сильная техническая команда
- возможность влиять на процессы и подходы к delivery
- ДМС
- прозрачная система бонусов и карьерного роста
Ответы на 10 важных вопросов
1. Данные: Петабайты данных, накопленных за почти 10 лет, доступные в банковском хранилище для моделирования и самых смелых идей. Часть проекта заключается в том числе в организации сбора данных.
2. Железо, продакшн и ноутбук: Много железа для самых различных потребностей при разработке (от маленьких проектов до обучения огромных моделей в мульти-гпу режиме), отдельная платформа для исполнения моделей, для работы вне офиса - SberBook для разработчиков, данные - в hdfs
3. Масштаб влияния на бизнес: продукт на этапе приземления исследований на бизнесовые рельсы
4. Уровень зрелости Data Science: функция ИИ внедрена по все ключевые направления бизнеса, ИИ приносит деньги и бизнес активно приходит с запросом на наши решения.
5. Роль PM в компании: см. «Что предстоит делать»
6. Бэкграунд вашего руководителя: linkedin
7. Как часто вам будут мешать работать: 10-минутные дейлики по необходимости, 1 общекластерная встреча в неделю, плюс встречи с бизнес заказчиком в рамках решаемых задач.
8. Карьерный рост: ежеквартальные калибровки на уровне компании
9. Prod/research: сейчас на этапе приземления рисерча в реалии банка
10. Роль сервиса или лидера: роль лидера, ответственного за достижение результата в срок
Резюме направляйте на почту:
abson@sberbank.ru
Тема письма:
Фамилия_Имя_PM_AI