Позиция: Стажёр Data scientist
Компания: Сбер
Формат: Продолжительность стажировки 3/6 месяцев (full-time)
Локация: офис, г. Москва, Кутузовский пр-кт
Вилка: Оклад 50-80 тыс.руб. gross

Обязанности
• Разработка моделей досрочного погашения кредитов/вкладов физических лиц
• Сбор и подготовка данных (Hadoop, pyspark)
• Тестирование гипотез
• От кандидата требуется полное участие во всех этапах разработки модели (от общения с заказчиками и сбора данных до вывода в прод)

Требования
• Образование по направлениям "Математика", "Физика", "Мат. методы в экономике", (желательно выпускники - МГУ, МФТИ, ВШЭ и других ведущих вузов страны)
• Глубокие знания в области теории вероятностей, математической статистики.
• Понимания алгоритмов ML-моделей
• Владение Python (numpy, sklearn, pandas, matplotlib/seaborn/plotly, catboost/lightgbm/xgboost,  etc.)
• Как плюс будет владение одним из фреймворков DL, pyspark

Мы предлагаем:
• Конкурентную заработную плату
• Гибкий режим работы(30-40 часов в неделю), возможность совмещать с учебой
• Дружную команду
• Офис недалеко от метро с корпоративным фитнесом
• Оформление по ТК РФ
• Возможность развития и прохождения различных курсов в сфере DS
• Работа в офисе с возможностью взять удалёнку один раз в неделю

Ответы на 10 важных вопросов:
1. Данные: данных терабайты, стек Hadoop, Hive, Spark.
2. Железо: под команду 1 сервер под расчёты, 200 ядер CPU.
Данные храним в Hadoop.
Что касаемо ноутбуков - выдаются Сбербук или Dell. В будущем возможно MacBook pro
3. Масштаб влияния на бизнес? Решаемые задачи затрагивают ценообразование кредитных продуктов, оптимизацию прибыли банка
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? Около 10 лет опыта работы DS в банке, мехмат, призер всероссийской олимпиады по математике
7. Как часто вам будут мешать работать? мешать работать не будем, 3-4 часа регулярных встреч в неделю
8. Карьерный рост: рост по результатам работы, проделанной за полгода/год.
9. Prod/Research: задача может быть любая, так что research + prod
10. Функция сервиса или лидера? На этапе стажировки 100% сервис.


Заинтересовавшиеся кандидаты могут направить свои резюме по e-mail на адрес Мамаева Гаджи ([email protected])

💸 Сколько ты зарабатываешь на Data Science?

🤔 Вы можете примерно оценить вилку на вашей позиции благодаря вакансиям из каналов, где они публикуются. Тем не менее вилки довольно широкие и одни работодатели недоплачивают или платят строго по низу вилки, другие наоборот переплачивают и выходят за ее пределы. Вам в свою очередь нужно на собеседовании или при повышении назвать одно число, ровно столько вам будет платить довольно продолжительный период времени.

📊 Запускаю опрос, который в будущем поможет подписчикам сопоставить свой набор навыков с рынком труда. Прошу вас ответить на вопросы про ваш опыт, текущую роль в компании, ваш уровень удовлетворенности и планы на будущее. Чем прозрачнее будет рынок труда, тем выгоднее будет обоим сторонам, ведь дата сайентисты не будут смотреть в лес рынка труда.

👉 Пройди опрос сейчас, не откладывай на потом❗️

🔖 Результаты опроса буду порционно публиковать в канале Нескучный Data Science @not_boring_ds.

😉 классические вопросы с популярных интервью тоже включены)

Позиция: Junior/Middle DS х3
Куда: Альфа-Банк, Лаборатория машинного обучения
Формат работы: полная занятость; офис в Москве; на данной позиции возможна полная удаленка, нет требований ходить в офис
Вилка гросс:
Junior: 120-240K + ежеквартальная премия (~15% от дохода за квартал)
Middle: 240-400k + ежеквартальная премия (~15% от дохода за квартал)

Премия не зависит от kpi и ревью с плюсиками, фактический покрывает налог.

Про нас:
Мы NLP команда Лаборатории машинного обучения Альфа-Банка (под руководством Жени Смирнова). Занимаемся моделями для чат-ботов и голосовых помощников, автоматизируем контроль качества, ищем инсайты в обратной связи клиентов, упрощаем жизнь сотрудникам колл-центра и ускоряем внутреннюю техподдержку с помощью NLP.

Команда состоит из сильных молодых ребят, выпускников ШАД, МФТИ, МГУ, ВШЭ. Мы регулярно участвуем в соревнованиях и хакатонах, в команде несколько kaggle мастеров.
Альфа поддерживает успехи в соревнованиях премией в одну зп за первое место, и в половину зп за второе.

Мы занимаемся полным циклом разработки: от общения с заказчиком с переводом задачи на ml-ный язык до внедрения моделей в промышленный контур. А помогает нам команда разметки, mlops, мониторинга и другие.

Плюшки: гибкий график (нет требований начинать работать в 10:00, главное выполнять задачи вовремя и соблюдать коммуникацию с контрагентами), отличный ДМС со стоматологией, рабочие макбуки, корпоративные скидки.

Сейчас продолжаем расширять команду под новые задачи заказчиков.

Потенциальные задачи для кандидиата:
- Развитие продукта Альфа Помощник Оператора с помощью классических моделей и LLM
- Создание умного поиска по внутреннему каталогу данных

Требования:
- Опыт работы в области машинного обучения и NLP (1+ лет для Middle)
- Знание, понимание архитектур и опыт работы с моделями, такими как GPT, BERT и другими
- Уверенные знания Python и библиотек для машинного обучения (TensorFlow, PyTorch, transformers…)
- Успешный опыт вывода NLP моделей в прод (для Middle)
- Знание основ работы с большими данными и опытом их обработки (Spark, Hadoop)
- Высшее образование в области компьютерных наук, математики или смежных дисциплин
- Английский язык на уровне чтения технической документации

Будет плюсом:
- Опыт построения RAG пайплайнов
- Опыт дообучения моделей поиска под конкретный домен
- Опыт работы с библиотеками для оптимизированного инференса LLM (vLLM, TGI, SGLang, TRT)
- Успешный соревновательный опыт
- Широкий технический кругозор

Ответы на 10 важных вопросов в оригинальной статье.

Резюме направляйте на почту [email protected] с темой «NLP Engineer в Альфа-Банк»

Позиция: Разработчик беспилотных систем
Компания: Авихимса
Формат: полная занятость, гибрид
Локация: Москва (м. Парк Культуры, 2 мин пешком), гибкий гибридный график
Вилка: 200-400к руб./мес. net

Кто мы такие:
Авихимса — не просто IT-компания, а бывший R&D-отряд, который вырвался на свободу и теперь строит софт для роботов, меняющих мир. Наш продукт «ВДОЛЬ» заставляет машины убирать улицы без GPS и карт — только камеры, алгоритмы и немного магии. Мы уже запустили роботов в реальный мир, но хотим больше, быстрее и круче.

Что делаем:
Учим технику видеть, думать и ездить. От уличных уборщиков до складских indoor-решений — мы в деле, когда код встречается с железом, а идеи становятся реальностью.

Технический стек:
- Языки: Python (80%), C++ (20%).
- Инфраструктура: Docker, Linux, GitLab, MQTT.
- Машинное зрение: TritonServer (инференс), PyTorch (обучение)
- Робототехника: ROS 2 (уходим от него), Gazebo Classic (симуляция).
- Аппаратные платформы: x86, arm64.

Чем нужно будет заниматься:
- Дать роботу зрение: алгоритмы CV и обработка данных с лидара для навигации и контура безопасности.
- Выжать всё из сырых данных с сенсоров и сделать это быстро.
- Подружить софт с железом: CAN-шина, сенсоры, иногда реверс-инжиниринг, если доки молчат.
- Придумать метрики, чтобы доказать, что твои гипотезы работают.

Кого ищем:
- Ты кодил на Python и C++ и можешь отличить баг от фичи.
- Разбираешься в компьютерном зрении и не теряешься в дебрях математики — линейная алгебра, статистика и оптимизация для тебя не пустой звук.
- Знаешь, что такое CAN-шина, и не путаешь её с USB.
- В ответе за того, кого приручил (код, который написал) — «оно упало» для тебя не аргумент, ты способен разобраться в логах и дать фактуру.
- Можешь вникнуть в доки и статьи на русском и английском, сделать вывод и лаконично его описать
- Любишь задавать вопросы и предлагать, как сделать лучше.
- Умеешь объяснять сложные вещи так просто, что даже гуманитарий разберётся.
- Создаёшь тесты для каждой новой фичи, чтобы обеспечить качество кода, и понимаешь процесс разработки от концепции до внедрения в продакшен.
- Вайб-кодинг нам не подойдет. Мы признаем ИИ как современный инструмент помощи, в том числе разработчику, однако ответственность за сроки, качество и время, затраченное на поддержку кода — лежит на тебе.

Почему мы:
- Твой код будет ездить по улицам и паркам — реальный результат, а не демки.
- Зарплата 200-400к с пересмотром минимум 1 раз в год.
- Гибкий гибридный график и тихий офис в центре Москвы с топовым железом.
- Никаких «согласуй с 10-ю начальниками» — у нас плоская структура и свобода действий.
- Курсы, конфы, обучение — всё за наш счёт после испытательного срока.
- ДМС со стоматологией и 20 оплачиваемых больничных в год после испытательного срока.
- Команда, где можно не только кодить, но и гонять на великах или пить кофе, обсуждая нейронки.

Ответы на 10 важных вопросов:
1. Данные:
• Ежедневно собираются от 3 часов видеоданных с камер/лидаров роботов в таких парках, как Сокольники, 50 октября и другие.
2. Железо:
• У каждого члена команды nvidia 4060 + отдельный сервер со стеком 2x 4060
• Рабочий ноут по требованию сотрудника
3. Масштаб влияния: разработка беспилотной техники Москвы для уборки парков/складов
4. Какой сейчас уровень развития Data Science в компании: 40% алгоритмов сделаны через ML
5. Чем именно занимаются дата сайентисты в компании: полный цикл от постановки задач до эксплуатации моделей/сервисов на продакшне
6. Какой бэкграунд у вашего потенциального руководителя: co-founder
7. Как часто вам будут мешать работать: 15 минут в день на синхронизацию всех задач с коллегами; раз в неделю планирование спринта на час
8. Карьерный рост: да, построение направления полностью в ваших руках
9. Research/Prod: Prod 60% + Research (как внедряемые технологии) 40%
10. Функция сервиса или лидера? Лидера 50% + Сервиса 50%

Контакт для резюме
@Alexasandrovich

Позиция: Middle DS
Куда: Альфа-Банк, Лаборатория машинного обучения, интеграция в продуктовую команду диалоговых систем
Формат работы: полная занятость; офис в Москве; на данной позиции возможна полная удаленка, нет требований ходить в офис
Вилка гросс:
Middle: 240-400k + ежеквартальная премия (~15% от дохода за квартал)

Премия не зависит от kpi и ревью с плюсиками, фактический покрывает налог.

Про нас:
Мы NLP команда Лаборатории машинного обучения Альфа-Банка (под руководством Жени Смирнова). Занимаемся моделями для чат-ботов и голосовых помощников, автоматизируем контроль качества, ищем инсайты в обратной связи клиентов, упрощаем жизнь сотрудникам колл-центра и ускоряем внутреннюю техподдержку с помощью NLP.

Команда состоит из сильных молодых ребят, выпускников ШАД, МФТИ, МГУ, ВШЭ. Мы регулярно участвуем в соревнованиях и хакатонах, в команде несколько kaggle мастеров.
Альфа поддерживает успехи в соревнованиях премией в одну зп за первое место, и в половину зп за второе.

Мы занимаемся полным циклом разработки: от общения с заказчиком с переводом задачи на ml-ный язык до внедрения моделей в промышленный контур. А помогает нам команда разметки, mlops, мониторинга и другие.

Плюшки: гибкий график (нет требований начинать работать в 10:00, главное выполнять задачи вовремя и соблюдать коммуникацию с контрагентами), отличный ДМС со стоматологией, рабочие макбуки, корпоративные скидки.

На текущей позиции предстоит работать в продуктовой команде c PO. Необходимо разрабатывать и поддерживать NLP модели для автоматизации поддержки Банка (чат-боты и войс-боты).

Требования:
- Опыт работы в области машинного обучения и NLP (1+ лет)
- Знание, понимание архитектур и опыт работы с моделями, такими как GPT, BERT и другими
- Уверенные знания Python и библиотек для машинного обучения (TensorFlow, PyTorch, transformers…)
- Успешный опыт вывода NLP моделей в прод
- Знание основ работы с большими данными и опытом их обработки (Spark, Hadoop)
- Высшее образование в области компьютерных наук, математики или смежных дисциплин
- Английский язык на уровне чтения технической документации

Ответы на 10 вопросов:

1. Данные: Обычно - Hadoop (все данные Альфа-Банка) + внешние источники по API. Часть данных может быть в Oracle/MSSQL
2. Железо: kuber до 64 ядер + 512 ГБ оперативы. Хадуп - 6TB, 1000+ ядер. Продакшн: cистема исполнения моделей + команда MLOps. Для работы: МакБук + удалённое рабочее место.
3. Масштаб влияния на core-бизнес? Модели - ядро большинства банковских процессов. В рамках данной позиции онлайн-модели управляют потоком в 100+ тыс. обращений в день
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 продуктовой командой генерят идеи развитии. ДС-ы подготавливают код для внедрения в прод, выполняют функцию аналитического сопровождения моделей после внедрения.
6. Бэкграунд у вашего руководителя? LinkedIn
7. Как часто вам будут мешать работать? Синхронизация с командой продукта (1-2 часа в неделю) + с командой лаборатории (3 часа в неделю)
8. Карьерный рост: формализована матрица компетенций. Ежеквартально происходят «круглые столы» с пересмотром и защитой
9. Prod/Research: Prod 90%
10. Функция сервиса или лидера? Сервис/лидер: 80%/20%

Резюме направляйте на почту [email protected] с темой «NLP Engineer в Альфа-Банк»

Позиция: Стажер DS
Куда? Альфа-Банк, Лаборатория машинного обучения, NLP, LLM
Формат работы: Москва, м. Технопарк. Возможна полная удаленка.
Вилка (gross): 60K, при успешной стажировке переход на позицию Junior DS: 120-240K + ежеквартальная премия (~15% от дохода за квартал)

Что предстоит делать на этой позиции?
Под руководством ментора проводить эксперименты и улучшать текущие RAG пайпланы, задействованные в обслуживании как внутренних сотрудников, так и клиентов банка. А также проводить эксперименты по дообучению LLM на различных банковских доменах, сравнивая результаты с классическими NLP подходами.
В рамках стажировки предстоит не только писать код, но и погружаться в бизнес-процессы банка, плотно взаимодействовать со смежными командами департаменты (MLOPS, DE, Разметка, Мониторинг).

Что ожидаем от кандидата: 
• Наличие опыта (пет-проекты, учебные задачи, соревновения) с pytorch. Умение написать свой цикл обучения с нуля, не используя готовые трейнеры;
• Опыт работы с классическим ML и DL (пет-проекты, учебные задачи, соревновения). Понимание основных принципов и алгоритмов;
• Знание и опыт работы с моделями, такими как GPT, BERT. Понимание, какие архитектуры для каких задач подходят;
• Технологический стек: python + pytorch + transformers, sklearn, pandas, numpy + sql + git;
• Умение выбирать метрику под бизнес-задачу;
• Навык работы с инструментами Spark, Hadoop, Hive - как преимущество.

Будет большим плюсом: 
- Призовые места на соревнованиях;
- Опыт построения RAG пайплайнов (пет-проекты, учебные задачи, соревновения);
- Опыт адаптации ЛЛМ под доменные задачи (пет-проекты, учебные задачи, соревновения);

Ответы на 10 важных вопросов:
На 9/10 важных вопросов есть ответы в оригинальной статье.

Бэкграунд руководителя: linkedin


Присылайте резюме на почту [email protected] с темой "Стажер в Лабораторию (NLP, LLM)"

Позиция: Стажер DS x2
Куда: Альфа-Банк, Лаборатория машинного обучения, интеграция в продуктовую команду диалоговых систем
Формат работы: Москва, м. Технопарк. Возможна полная удаленка.
Вилка (gross): 60K, при успешной стажировке переход на позицию Junior DS: 120-240K + ежеквартальная премия (~15% от дохода за квартал)

Что предстоит делать на этой позиции?
Под руководством ментора разрабатывать и улучшать NLP-модели, помогающие автоматизировать поддержку клиентов Банка (чат-боты и войс-боты). В рамках стажировки будет возможность пройти весь цикл от обсуждения с бизнес-заказчиком его ожиданий, до внедрения сервиса в промышленный контур и запуска А/B-теста на реальных клиентах.

Что ожидаем от кандидата:
• Наличие опыта (пет-проекты, учебные задачи, соревнования) с pytorch и способность написать train loop
• Опыт работы с классическим ML и DL (пет-проекты, учебные задачи, соревнования)
• Знание и опыт работы с моделями, такими как GPT, BERT. Понимание, какие архитектуры для каких задач подходят;
• Технологический стек: python + pytorch + transformers, sklearn, pandas, numpy + sql + git;
• Умение выбирать метрику под бизнес-задачу;
• Навык работы с инструментами Spark, Hadoop, Hive - как преимущество.

Ответы на 10 вопросов:
1. Данные: Обычно - Hadoop (все данные Альфа-Банка) + внешние источники по API. Часть данных может быть в Oracle/MSSQL
2. Железо: kuber до 64 ядер + 512 ГБ оперативы. Хадуп - 6TB, 1000+ ядер. Продакшн: cистема исполнения моделей + команда MLOps. Для работы: МакБук + удалённое рабочее место.
3. Масштаб влияния на core-бизнес? Модели - ядро большинства банковских процессов. В рамках данной позиции онлайн-модели управляют потоком в 100+ тыс. обращений в день
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 продуктовой командой генерят идеи развитии. ДС-ы подготавливают код для внедрения в прод, выполняют функцию аналитического сопровождения моделей после внедрения.
6. Бэкграунд у вашего руководителя? LinkedIn
7. Как часто вам будут мешать работать? Синхронизация с командой продукта (1 час в неделю) + с командой лаборатории (3 часа в неделю)
8. Карьерный рост: формализована матрица компетенций. Ежеквартально происходят «круглые столы» с пересмотром и защитой
9. Prod/Research: Prod 90%
10. Функция сервиса или лидера? 100% Сервис на период стажировки

Резюме направляйте на почту [email protected] с темой "Стажер в Лабораторию (NLP, Диалоговые системы)"

Позиция: Middle Data Scientist
Куда? Альфа-Банк, Департамент Продвинутой Аналитики, Центр Автоматизации
Моделирования.
Формат работы: Гибрид: Москва, м. Технопарк + удаленно.
Вилка гросс: 250-400k + ежеквартальный бонус ~ 15% (от дохода за квартал).

Главное направление работы Центра Автоматизации в Альфа-банке - создание инструментов и
технологий для автоматизации разработки моделей.

Что нужно делать?
В первую очередь,тебе предстоит развивать нейросетевой AutoML-сервис(ANNA):
• Внедрять новые данные и типы моделей;
• Улучшать стабильность и качество текущих AutoDL алгоритмов, оптимизировать код;
• Поддерживать пользователей (технически подкованных DS);
• Совместно с командами DE, MLOps, мониторинга интегрировать сервисы в промышленную среду;

Требования:
• Знание классического ML;
• Уверенное владение ML- и DL-стеком Python: Pytorch, lightgbm/xgboost/catboost,Scikit-Learn, Pandas, Numpy;
• Умение работать с инструментами Spark, Hadoop, Hive.

Будет большим плюсом:
• Контрибьют в ML-библиотеки;
• Опыт full-stack разработки;
• Опыт оптимизации нейросетей.

Ответы на 10 важных вопросов:
1. Данные: Обычно - Hadoop (все данные Альфа-Банка) +внешние источники по API. Часть данных может быть в Oracle/MSSQL.
2. Железо: kuber до 64 ядер + 512 ГБ оперативы. Хадуп - 6TB,
1000+ ядер. Продакшн: cистема исполнения моделей + команда MLOps. Для работы:МакБук +удалённое рабочее место.
3. Масштаб влияния на core-бизнес? Модели - ядро
большинства банковских процессов. В рамках данной позиции онлайн-модели управляют потоком в 100+ тыс. обращений в день.
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 развитии. 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? Синхронизация с командой продукта (1-2 часа в неделю) + с командой лаборатории (3 часа в неделю), 2 часа организационных встреч в неделю.
8. Карьерный рост: формализована матрица компетенций.
Ежеквартально происходят «круглые столы» с пересмотром и защитой.
9. Prod/Research: Prod 90%
10. Функция сервиса или лидера? Сервис/лидер: 80%/20%.

📧Резюме направляйте на почту [email protected] с темой «Data scientist в Альфа-Банк»

Позиция: Junior/Middle/Senior Data scientist
Куда? Альфа-Банк,
Департамент Продвинутой Аналитики, Хаб юрлиц.
Формат работы: Гибрид: Москва, м. Технопарк + удаленно.
Вилка гросс: Junior 150-200k / Middle 200-280k / Senior 280 -350k + ежеквартальный бонус ~ 15% (от дохода за квартал);


Что нужно делать?
• Разработка и поддержание моделей кредитного риска для поточного кредитования малого и среднего бизнеса (PD, EAD, LGD);
• Разработка и поддержание различных внутренних моделей кредитного риска(PD, модель выручки и др.) с помощью
методов машинного обучения (логистическая регрессия, градиентный бустинг и др.);
• Аналитика слабоструктурированных данных в Hadoop, создание новых признаков и их применение в моделях;
• Эксперименты с нестандартными для классического скоринга подходами для моделирования (например применение методов
NLP для анализа данных о юрлицах, не укладывающихся в реляционную модель данных);
• Анализ эффективности новых источников данных, тестирование моделей кредитного риска на новых источниках данных.

Требования:
• Физико-математическое, экономико-математическое
образование;
• Хорошее знание теории вероятностей и математической статистики, методов машинного обучения;
• Развитое логическое мышление;
• Опыт аналитической работы от 1 года, в том числе опыт разработки статистических моделей;
• Умение работать с данными (анализ, очистка, подготовка, отбор и создание признаков),навыки написания SQL-запросов;
• Знание Python (в частности, библиотек, применяемых для анализа
данных: scipy, pandas, scikit-learn, xgboost,lightgbm и т.п.);
• Опыт с работы с Hadoop (Hive, Impala, Apache Spark);
• Опыт работы в Jira/Confluence/Bitbucket;
• Желателен опыт работы с юридическими лицами, понимание, как устроена отчетность, какие модели можно применять для анализа компаний;
• Владение английским языком на уровне, как минимум, позволяющем свободно читать специализированную литературу.

Ответы на 10 важных вопросов:

1. Данные: Обычно - Hadoop (все данные Альфа-Банка) + внешние источники по API. Часть данных может быть в Oracle/MSSQL.
2. Железо: kuber до 64 ядер + 512 ГБ оперативы. Хадуп - 6TB,
1000+ ядер. Продакшн: cистема исполнения моделей + команда MLOps. Для работы: ноутбук+ удалённое рабочее место.
3. Масштаб влияния на core-бизнес? Модели - ядро
ключевого банковского процесса - кредитования.
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 развитии. 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 (2-3 часа в неделю) + с командой заказчиков (2-3 часа в
неделю).
8. Карьерный рост: формализована матрица компетенций.
Ежеквартально происходят «круглые столы» с пересмотром и защитой.
9. Prod/Research: Prod 90%
10. Функция сервиса или лидера? Сервис/лидер: 80%/20%

📧Резюме направляйте на почту [email protected] с темой «Data scientist в Альфа-Банк»

Позиция:
ML Engineer (5 открытых ролей):
- 2 x ML Engineer RecSys (последовательные рекомендации, поисковое ранжирование)
- Computer Vision Engineer (мобильные модели, VLM для контроля качества авто)
- NLP Engineer (агентные системы, RAG на LLM)
- MLOps Engineer (realtime-сервисы, масштабируемость)
Куда: Служба ML Яндекс.Такси.
Формат работы: fulltime, гибрид, желательно Москва, офис в Сити.
Вилка гросс: junior+ 200-280 ₽/мес gross, middle/middle+ 280-380K ₽/мес gross + годовые бонусы 2.6-5.2 оклада.

Про нас:
Больше 4 миллиардов поездок ежегодно совершается с помощью Яндекс.Такси в 32 странах Азии, Африки, Европы и Латинской Америки. Ни одна из них не обходится без решений принятых ML моделями.
Наши команда развивает модели предсказания адреса назначения поездки, ожидаемного времени прибытия машины, участвует в развитии алгоритмов диспетчеризации, непоправимо улучшает механизмы распределения субсидий.

Что предстоит делать?
- RecSys ML Engineer: cтроить модели последовательных рекомендаций и улучшать поисковое ранжирование.
- CV Engineer: обучать компактные моделеи CV для мобильных устройств и интегрировать VLM в процессы проверки авто.
- NLP Engineer: создавать RAG-системы и полноценных LLM-агентов.
- MLOps Engineer: развивать и поддерживать процессы выкатки realtime-сервисов, обеспечивать их стабильность и масштабируемость.

Требования:
- Наличике опыта в ML в соответствующей области (CV/NLP/RecSys/MLOps).
- Знание Python c классическим ML стеком фреймворков.

Ответы на 10 вопросов:

1. Данные: YT.
2. Железо:
- Общий кластер: 8×H100, 8×V100, 1500 CPU ядер, 10 ТБ.
- Персональные виртуалки + MacBook Pro для разработки.
3. Масштаб влияния: ML-решения напрямую влияют на ключевые метрики платформы: количество поездок, AR, СR, время подачи.
4. Уровень развития DS: 80% классические модели, 20% DL.
5. Роль DS: Полный цикл — от постановки задачи с бизнесом до продуктивизации (совместно с DE/MLOps/backend командами).
6. Бэкграунд руководителя: Александр Мамаев, ex-VK, ex-Сбер.
7. Частота встреч: ~ 4 синка в неделю (зависит от проекта).
8. Карьерный рост: Стандартная система грейдирования Яндекса с ревью каждые 6 месяцев.
9. Prod/Research: 70% prod, 30% research.
10. Функция сервиса/лидера: 90% execution (решение задач), 10% лидерство в рамках проекта.

Как откликнуться:
Присылайте резюме в Telegram:
👉 @chessgevara
👉 @korablliik

P.S. Беспроцентная ссуда на жилье после года работы.

Позиция: Middle +/ Senior Data Scientist
Куда? ID Collect , Департамент аналитики и рисков
Формат работы: Гибрид: Москва, м. Фили/Багратионовская/Парк Победы
Вилка гросс: 250-400K + годовой бонус до 2 окладов

Что нужно делать?
• Разработка и поддержка скоринговых моделей оценки и переоценки по покупкам на основе статистического анализа.
• Разработка и поддержание моделей распознавания документов и речевой аналитики (NLP).
• Автоматизация операционных процессов компании за счет внедрения алгоритмов нечеткого поиска, написания скриптов для уменьшения доли ручного труда в компании.
• Проведение углубленного статистического анализа данных, включая проверку гипотез и выявление внутренних и внешних факторов, влияющих на взыскание задолженности.
• Анализ риск-метрик, включая эффективность сборов, уровень просрочки и другие ключевые показатели.
• Взаимодействие с командами разработки и аналитики для интеграции моделей в бизнес-процессы компании.

Требования:
• Опыт работы от 2-х лет в области анализа данных и машинного обучения.
• Глубокое понимание ML-алгоритмов и продвинутые знания Python, включая основные библиотеки для машинного обучения (например, Scikit-learn, TensorFlow, PyTorch).
• Хорошие знания SQL (любой из диалектов), умение писать оптимизированные запросы.
• Опыт работы с инструментами логирования экспериментов, кода, умение писать читабельный код в Python и его оптимизировать.
• Опыт вывода моделей в Production.
• Опыт написания базовых микросервисов, работы с большими данными и инструментариями для их анализа будет преимуществом.

Ответы на 10 важных вопросов:
1. Данные: DWH на Clickhouse (данные из ПРОД и внешних источников)
2. Железо: 3 терминала
1) Intel(R) Xeon(R) Silver 4314 CPU @ 2.40GHz, 96 GB RAM, NVIDIA RTX A5000 24 GB
2) Intel(R) Xeon(R) W-2255 CPU @ 3.70GHz 3.70 GHz, 220 GB RAM
3) Intel(R) Xeon(R) Silver 4114 CPU @ 2.20GHz 2.19 GHz (процессоров: 10), 140 GB RAM
3. Масштаб влияния: ML-решения напрямую влияют на ключевые метрики бизнеса: инвестиции в портфель просроченной задолженности, эффективность операционных процессов, финансовые показатели компании.
4. Уровень развития DS: 70%классические модели, 30% NLP.
5. Роль DS: Постановка задачи в технических терминах, сбор необходимых данных, разработка модели и мониторинг работы
6. Бэкграунд руководителя: Михаил Пчелинцев, ex-Сбер.
7. Частота встреч: ~ 3 синка в неделю (зависит от проекта).
8. Карьерный рост: ревью каждые 6 месяцев.
9. Prod/Research: 80% prod, 20% research.
10. Функция сервиса/лидера: 70% execution (решение задач), 30% лидерство в рамках проекта.

Откликнуться: TG @natashka_olegovna

Устроиться аналитиком в Яндекс за выходные

7–8 июня проводим Weekend Offer Analytics. До 3 июня оставьте заявку на участие, 7 июня пройдите два технические собеседования, а 8 июня познакомьтесь с командами и получите офер.

В мероприятии участвует 12 команд: Алиса и Умные устройства, Игры, R&D, Рекламные технологии, Поиск и Суперапп, Безопасность, Коммерческий департамент, Автономный транспорт, Ecom-сценарии Поиска, Качество Поиска, Международный Поиск, Карты. Вы сможете пообщаться с менеджерами и выбрать проект, который покажется самым интересным.

Узнать подробности и зарегистрироваться можно здесь.

Реклама. ООО "Яндекс". ИНН 7736207543

Позиция: ML Engineer
Куда: AI VK, отдел Поиска по видео
Формат работы: fulltime, гибрид, Москва, офис на Павелецкой.
Вилка: 300k-400k ₽/мес на руки + полугодовые бонусы 1-2 оклада.

Про нас:
Наша команда отвечает за качество поиска по видео и клипам в VK Видео, Одноклассниках, ВКонтакте и Дзене. 
Мы ищем разработчика, готового вместе с нами помогать десяткам миллионов пользователей быстро и легко находить нужное в рунете.

Что предстоит делать?
- Обучать модели ранжирования поисковой выдачи
- Улучшать качество ранжирования по узким поисковым сценариям
- Придумывать и реализовывать новые факторы ранжирования
- Реализовывать идеи, алгоритмы и модели из научных статей
- Выдвигать гипотезы, получать данные для их проверки, ставить эксперименты и анализировать их результаты
- Следить за актуальными подходами к информационному поиску и учитывать их

Требования:
- Вы знаете базовую теорию, классические алгоритмы ML и Deep Learning, современные подходы в ранжировании
- Имеете опыт реализации ML-проектов от постановки задачи до выведения в продакшен и оценки результатов
- Хорошо знаете классические алгоритмы и структуры данных

Будет плюсом:
- Интересуетесь поиском или рекомендательными системами и хорошо в них разбираетесь
- Вы знаете основы C++, чтобы понимать код нашего поискового бэкенда
- Вы знаете Java, знакомы с алгоритмами обработки больших данных и парадигмой MapReduce
- Самостоятельно ставили A/B-эксперименты

Ответы на 10 вопросов:

1. Данные: YT.
2. Железо: Коммунальные GPU и CPU сервера с большим выбором и количеством железа + MacBook Pro для разработки.
3. Масштаб влияния: ML-решения напрямую влияют на ключевые метрики продуктов: timespent, CTR. Результаты вашей работы можно увидеть, воспользовавшись поиском в ВК Видео и других платформах компании.
4. Уровень развития DS: все линии бизнеса покрыты ML, есть отдельное R&D направление, которое помогает наращивать экспертизу в передовых решениях.
5. Роль DS: Полный цикл — от постановки задачи с бизнесом до продуктивизации (совместно с backend командами).
6. Бэкграунд руководителя: Арсений Расов (https://ru.linkedin.com/in/rasovarsenii).
7. Частота встреч: 5 синков в неделю (зависит от проекта).
8. Карьерный рост: Стандартная система грейдирования VK с ревью каждые 6 месяцев.
9. Prod/Research: 80% prod, 20% research.
10. Функция сервиса/лидера: 90% execution (решение задач), 10% лидерство в рамках проекта.

Как откликнуться:
Присылайте резюме в Telegram:
@rasovarsenii

Позиция: Senior Data Engineer / DWH Architect
Куда? Хантфлоу, Data-команда.
Формат работы: Удаленно по всему миру или Москва (с возможностью посещать офис, м. Дмитровская).
Вилка (на руки): 300-400 тыс. руб.


Описание вакансии

Хантфлоу — компания в области HRTech, предоставляющая передовые решения для автоматизации рекрутинга. Наш продукт помогает компаниям эффективно закрывать вакансии, сокращая время на поиск и отбор кандидатов. Подробнее о компании вы можете узнать на сайте.

Сейчас мы развиваем Data-направление и доросли до того момента, когда необходимо выстраивать хорошо работающее DWH. В нашем распоряжении уже есть технологический стек: Python, PostgreSQL, Clickhouse, Git, Docker, Airflow. Тем не менее, нам не хватает системности – здесь видим потенциал для роста. 

В связи с этим ищем Senior Data Engineer / DWH Architect, который:
- возглавит проект по построению DWH
- определит и внедрит необходимый технологический стек и архитектурные решения
- выстроит процессы работы с данными


Чем предстоит заниматься:

- Построение архитектуры DWH
- Проектирование и реализация процессов загрузки данных из множества OLTP PostgreSQL-инстансов в DWH. Построение инкрементальных пайплайнов загрузки.
- Разработка и поддержка ETL/ELT пайплайнов
- Интеграция дополнительных источников данных
- Настройка и автоматизация мониторинга: успешность загрузки, completeness check, логирование ошибок, статус получения данных от всех источников
- Сотрудничество с разработчиками и DevOps для реализации инфраструктурных решений, а также с аналитиками — для обеспечения данных, необходимых для построения витрин

Наши ожидания:
- Опыт работы DE 3+ года
- Продвинутое владение SQL
- Технологический стек: Python, Git, Docker, Airflow
- Знание принципов построения хранилища данных.
- Опыт построения ETL/ELT пайплайнов
- Опыт настройки мониторинга: логирование, алерты, контроль completeness

Nice to have:
- PostgreSQL, Clickhouse
- dbt

Условия:
- Рабочий mac
- Профессиональное обучение и повышение квалификации за счет компании
- Расширенная программа ДМС со стоматологией, вызовом врача на дома и полисом путешественника — после испытательного срока
- Ежемесячная компенсация оплаты интернета при работе из дома, или проезда при работе из офиса
- 12 дней «без больничного» в год.


Ответы на 10 важных вопросов:
1. Данные:
- Более 40 млн кандидатов в базе
- Более 1 млн вакансий
- Более 300 млн действий по кандидатам
- 10 лет истории
2. Железо:
- Рабочий MacBook Pro
- Аренда облачных серверов в Yandex Cloud
3. Масштаб влияния:
Будешь первым Data Engineer в компании. Будешь сам выбирать необходимый технологический стек, архитектурные решения, формировать best practices. Ключевая роль для построения Data-решений (аналитика и ML).
4. Уровень развития Data Science в компании:
Есть MVP ds-решения, начался процесс построения централизованной аналитики. Для ускорения роста нуждаемся в функции инженерии данных.
5. Чем занимаются дата сайентисты в компании:
DS – продуктовые фичи с использованием ml, DA – аналитика для бизнес-подразделений компании, продуктовая аналитика
6. Какой бэкграунд у вашего потенциального руководителя:
linkedin (https://www.linkedin.com/in/koptelov-dmitrii/)
7. Как часто вам будут мешать работать:
1 час еженедельного синка по задачам
8. Карьерный рост:
На этой роли возможен рост в руководителя направления инженерии данных
9. Research/Prod: Prod
10. Функция сервиса или лидера?
в большей степени функция лидера

✉️ Резюме отправляйте на почту: [email protected]
✈️ По вопросам в тг: @meacca

Позиция: ищем Senior DS под задачи NLP

Куда: Альфа-Банк, Лаборатория машинного обучения

Формат работы: полная занятость; офис в Москве; на данной позиции возможна полная удаленка, нет требований ходить в офис

Вилка гросс:
Senior: 400-570k + ежеквартальная премия (~15% от дохода за квартал)

Премия не зависит от kpi и ревью с плюсиками, фактический покрывает налог.

Про нас:
Ищем человека на новый проект, цель которого - создание "цензор модуля" для автоматической фильтрации нежелательных сообщений от LLM. Модуль будет интегрирован в существующие продукты банка, такие как виртуальные помощники и чат-боты, работающие на основе больших языковых моделей. Надо будет заниматься разработкой и внедрением алгоритмов анализа текста и изображений, а также проектированием архитектуры решения. Проект только запустился, и команда под него создается почти с нуля, поэтому будет возможность существенно влиять на ход разработки и принятия решений. На начальных этапах упор будет на работу с текстом, в будущем скорее всего придем и к работе с изображениями.

Что предстоит делать?
- Разработка и внедрение систем автоматической модерации текста и изображений с использованием современных подходов NLP и машинного обучения.
- Проектирование и обучение моделей, способных отличать допустимый контент от нежелательного.
- Оптимизация и доработка LLM для предотвращения генерации неприемлемых ответов.
- Анализ требований бизнеса и формирование технических спецификаций.
- Анализ профильной литературы и решений на базе открытого исходного кода.

Требования:
- Отличные знания в области NLP
- Отличные знания устройства LLMs и опыт работы с ними.
- Знание алгоритмов и пайплайнов обработки текстов
- Отличные знания PyTorch, Hugging Face

Будет большим плюсом:
- Наличие релевантного опыта в карьере
- Успех в ML-соревнованиях
- Опыт с Pyspark/Hadoop
- MLOps стек/навыки (Jenkins/Airflow/Kuber... в дополнение к ML)

От нас:
- Нет дейликов, минимум бесполезной активности
- Конкурентоспособная заработная плата с возможностью ежегодного пересмотра
- ДМС со стоматологией, сервис с юристами/психологами/коучами
- Новые макбуки
- Постоянное карьерное и личностное развитие: амбициозные задачи, полный цикл разработки, выступления на конференциях

Ответы на 10 важных вопросов в оригинальной статье
Про непосредственного руководителя - linkedin

Резюме направляйте на почту [email protected] с темой «DS в Лабораторию».

Позиция: ML Engineer в поиск
Куда: Магнит OMNI, Команда поиска Платформа
Формат работы: полная занятость; офис в Москве, Краснодаре, Иннополисе, СПБ, ЕКБ; на данной позиции возможна полная удаленка, нет требования ходить в офис.
Вилка гросс: 300-400k (для сильных кандидатов есть возможность расширить вилку)

Про нас: Мы команда ML поиска Магнит Омни (Магнит Маркет, Фудтех, Плюс, AdTech). Ищем коллегу, который поможет нам улучшить релевантность всех поисковых систем и внедрит новые алгоритмы. Поиск активно развивается — у тебя есть шанс внести реальный вклад и увидеть, как твои решения влияют на результат.

Обязанности:
- Разрабатывать алгоритмы ранжирования, а также модели векторного поиска и модели для персонализированного поиска
- Разработка и внедрение новых признаков
- Постановка гипотез для A/B тестов
- Анализ результатов тестирования и формулирование рекомендаций по дальнейшим действиям
- Сотрудничество со смежными командами разработки и аналитики для реализации комплексных решений

Требования:
- Опыт работы с алгоритмами ранжирования и/или рекомендаций
- Твои основные инструменты для разработки моделей: Бустинги (catboost, xgboost) Pytorch, обертки для моделей через Hugging Face
- Проводил аналитику и расчёт признаков с помощью SQL/Spark
- Разработка ETL пайплайнов в Airflow

Будет плюсом:
- Опыт разработки нейронных сетей для векторного поиска (Siamese Networks, Transformers, Deep Metric Learning)
- Опыт работы e-commerce.
- Проводил успешные A/B тесты, доказывал эффективность
- Знание методов оптимизации поисковых систем.
- Работа с микросервисной архитектурой и разработка REST API

От нас:
- Минимум бюрократии и встреч
- ДМС со стоматологией и льготными условиями для членов семьи
- Техника для комфортной работы (маки прошки)
- Скидки PrimeZone: больше 6 тысяч корпоративных предложений от ресторанов до недвижимости
- Кэшбек для сотрудников в магазинах Магнит

Ответы на 10 вопросов:
1. Данные: DWH, основное: Clickhouse, PG, Trino
2. Железо: GPU A100/T4. У каждого 36 CPU/128 GB RAM. При необходимости есть возможность увеличить.
3. Масштаб влияния: ML-решения напрямую влияют на ключевые метрики поиска и компании в целом, так как выручка из поиска составляет большую часть от общей выручки компании. Вы явно видите результат своей работы, открыв приложение "Магнита".
4. Уровень развития DS: ML все больше и больше проникает во все возможные новые продукты Магнит ОМНИ, есть как классика, так и нейросетевые модели, llm
5. Роль DS: Полный цикл — от постановки задачи с бизнесом/лидом до интеграции в продакшн (совместно с backend командами).
6. Бэкграунд руководителя: https://career.habr.com/avylov . (Cv в первом комментарии)
7. Частота встреч: основное - 3-5 в неделю длительностью от 15 минут до 30 в среднем
8. Карьерный рост: возможности роста как вертикальные (развиваться в поиске), так и горизонтальные (двигаться в другие команды в будущем).
9. Research/Prod: Prod
10. Функция сервиса/лидера: 90% решение задач, 10% лидерство в рамках проекта.

Как откликнуться:
Присылайте резюме в Telegram с пометкой “ML инженер в команду поиска” и вашими зп ожиданиями в гросс:
@mle_magnit