Нескучный Data Science Jobs

Позиция: Middle+ - Senior Аналитик/DS/MLE Компания: Т-банк, команда эффективности [Нефинансовых сервисов](https://www.tbank.ru/career/projects/nfs/) Формат работы: fulltime, гибрид, Москва, офис на Белорусской Вилка гросс: 400-700К + годовые премии (со звездами условия можем обсудить отдельно) 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 и рекламы Основные направления: 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). Вам предстоит перейти от простых эвристик к алгоритмам, uplift-моделям и RL, а также выстроить инфраструктуру вокруг этих решений 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 30+ человек из ШАД/ФКН/МФТИ/РЭШ — Задачи с околонулевым легаси на стыке продукта, ML, оптов и разработки — Прямое влияние на ключевые метрики бизнеса и деньги, управление большими бюджетами (от 50+ млн в месяц) — Быстрый путь от гипотезы до продакшена — В некоторых направлениях есть возможность для роста в лида Что ожидаем от кандидата: — 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 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 Если интересно или есть вопросы – пишите в @NikitaReznikov, расскажу подробнее

Позиция Senior DS Куда: Финансовые сервисы Яндекса Вилка гросс: 350-550 + премия раз в пол года по результатам ревью ~ 120% от оклада Локация: Москва или Питер, гибрид, удаленка по РФ возможна Про нас: ML в Финтехе — это всё машинное обучение финансовых продуктов Яндекса: от кредитного скоринга и управления рисками до маркетинговых моделей, рекомендаций и GenAI-ассистентов. Команда не просто обучает модели, а отвечает за весь их жизненный цикл — от поиска и подготовки данных, обучения и экспериментов до вывода в прод и поддержки стабильности в рантайме. За счёт этого ML напрямую влияет на продукт, а результат меряется бизнес-метриками, а не только офлайн-качеством. Что предстоит делать? • Прогнозирование LTV (Lifetime Value) клиентов С помощью ML-моделей прогнозируем долгосрочную ценность каждого клиента для компании. Это позволяет не просто сегментировать аудиторию, а выстраивать клиентоориентированную стратегию: оптимизировать маркетинговые затраты, разрабатывать персонализированные предложения и, как следствие, напрямую влиять на ключевые финансовые показатели бизнеса. • Моделирование вероятности оттока клиентов (Churn Prediction) Удержать существующего клиента дешевле, чем найти нового. Модели прогнозирования оттока — это инструмент для точечного и своевременного вмешательства, позволяющий не только сократить потери, но и гарантировать стабильный поток доходов от основной клиентской базы. • Построение uplift-моделей для оптимизации коммуникаций Определяем, для каких пользователей какая коммуникация будет наиболее эффективна. В результате мы минимизируем раздражение от спама и оптимизируем рекламные расходы, повышая эффективность каждой коммуникации. • Разработка моделей персональных рекомендаций Персональные рекомендации значительно улучшают пользовательский опыт, помогая клиентам быстрее находить нужное и открывать новые возможности наших сервисов. Это напрямую ведёт к увеличению вовлечённости, глубины использования продукта и конверсии в целевые действия, что в итоге повышает клиентскую лояльность и доход. • Построение транзакционных эмбеддингов пользователей Мы строим нейросетевые модели, которые превращают сырую транзакционную активность пользователей — оплаты в сервисах Яндекса, операции по дебетовой карте — в векторные представления поведенческого профиля клиента. Эти универсальные эмбеддинги усиливают качество моделей в самых разных задачах компании. Требования: • Понимаете принципы классического ML и работали с ним • Понимаете принципы DL и работали с ним • Хорошо знакомы с Python и SQL • Разрабатывали модели и желательно внедряли их в продакшн • Готовы отвечать за продакшн-модели в рантайме Будет плюсом: • Используете LLM в day-to-day-жизни или pet-проектах • Понимаете, как устроены LLM • Понимаете, как устроены RAG- и агентские системы Ответы на 10 вопросов: 1. Данные: YT - яндексовский аналог Hadoop-стека 2. Железо: YT - 5 PiB, 5000 ядер. Продакшн: MLPlatforma - платформа для раскатки моделей в прод. Для работы: Macbook 3. Масштаб влияния на бизнес: Отвечаем за весь прикладной ML (кроме скоринга) в Яндекс Финтехе: LTV, Churn, Uplift-модели коммникаций, рекомендации, модели баланса и т.д. 4. Уровень развития DS в компании: Яндекс - высокий уровень развития DS 5. Роль дата сайентиста: end-to-end - отвечаем за полный цикл разработки: от челленджа идеи до выкатки модели в продакшн 6. Бэкграунд у руководителя: linkedin 7. Как часто вам будут мешать работать: 3 встречи с командой в неделю + 1-2 встречи с заказчиками 8. Карьерный рост: полугодовые ревью с пересмотром зп и грейда 9. Prod/Research: 90% продакшн разработка 10. Функция сервиса или лидера? функция сервиса со старта Как откликнуться на вакансию: Свои CV и вопросы направлять сюда: tg @Pmkhalilov

Позиция: Стажер дата-аналитик Компания: Х5 Group Формат: Продолжительность стажировки 6 месяцев (full-time - 40 часов в неделю!) Локация: Удаленная работа (но по желанию можно работать из офиса, г. Москва) Вилки: Оклад 100 тыс.руб. gross Начало стажировки: середина августа 2026 💡Команда ad-hoc аналитики из X5 Group (Пятерочка, Перекресток, Чижик и etc) в поисках стажеров! 🔬Почему у нас интересно? Более 20 тысяч магазинов, 15 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 крутим AB-тесты в оффлайне и не только, с каждым днем все больше прилетает нестандартных задачек, в которых мы используем все свои знания (или быстро их приобретаем), а также у нас можно заниматься рисерчами! 🔭Чем у нас занимаются стажеры? - Первое время проходят онбординг, запоминают имена ментора и тим-лида и погружаются в курс дела - Сразу после этого получают свою первую настоящую боевую задачку (и НЕ страдают, так как ментор всегда под рукой) на дизайн или оценку будущего эксперимента - Продумывают дизайн А/B-тестов на магазинах или лояльных клиентах и интерпретируют их результаты, а также помогают руководителям инициатив (бизнесу) в этом - Исследуют новые подходы к оценкам А/Б-тестов (для такой задачи преимуществом будет продвинутые знания в области статистики и causal inference) - Помогают развивать core-библиотеку, созданную для оценки и дизайна А/Б-тестов - Решают различные ad-hoc запросы (эконометрические задачи, модели прогнозирования, рекомендательные системы и пр.) 😎Ты нам подходишь: - Если уже загуглил, что такое "ad-hoc" и понял, в чем суть - Уверенно владеешь Python (pandas, numpy, matplotlib и весь базовый набор для аналитики данных), SQL (join'ы, оконки), знаешь статистику и основы ML - Обладаешь аналитическим складом ума, наблюдательностью и успешно практикуешь метод пристального взгляда - Любишь мемы (желательно, но необязательно) - Преимуществом будет владение бигдатой ☺️Что мы предлагаем: - Помощь менторов на всем этапе стажировки - 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 CV в формате "Фамилия Имя Резюме СТАЖЕР август" и вакансию направлять сюда: tg @Zzzelar

Роль: ML Engineer Компания: ВИМ Инвестиции Локация: Москва / офис в сити / гибрид ЗП: 500-600k gross + годовая премия. Про нас: №1 на рынке по активам под управлением (>1,2 трлн руб.). У нас крупнейший фонд на Мосбирже #LQDT (>700 млрд руб.) и крупнейший фонд золота #GOLD. Что предстоит делать: – Green field (0→1): В новое направление ИИ ищем человека, который будет разрабатывать модели и агентские системы для биржевых фондов и стратегий доверительного управления на локальной (кластер GPU NVidia H200) и облачной инфраструктуре. – Видеть результат: прямое влияние на доходность продуктов и эффективность бизнес-процессов в организации, а не только на низкоуровневые метрики. – Kaggle-like: уникальный проект на рынке, интересные прикладные задачи, внедряем cutting-edge технологии, вовлекаем соревновательный элемент. Требования: – Не менее 5-и лет опыта в роли MLE / DS. – Не менее 3-х лет опыта работы с LLM / ML в prod-среде (обязательно). – Продвинутый уровень владения Python и SQL, знание C++. – Продвинутый уровень по ML/DL, теории вероятности и статистике. – Опыт построения агентских систем, экспертное владение LangGraph. – Знание и практика применения паттернов микро-сервисной архитектуры. – Знание Git, Scikit-learn, CatBoost, PyTorch, Crawl4AI, Kafka, RabbitMQ, ClickHouse, PostgreSQL, Qdrant / Milvus, Airflow, MLflow. Ответы на 10 важных вопросов: 1. Данные: биржевые, внешние API, Moex, CBONDS. 2. Железо: 8xNvidia H200 3. Масштаб влияния на core-бизнес: прямое. 4. Уровень развития data-инженерии в компании: аналитическая платформа построена. 5. Роль data-инженера в продукте: MLops строит фундамент данных, обеспечивает надёжность пайплайнов и качество данных для моделей 6. Бэкграунд у вашего руководителя: linkedin 7. Как часто вам будут мешать работать: без бесполезных встреч. 8. Карьерный рост: 2 раза в год возможен пересмотр. 9. Prod/Research: 60/40 10. Функция сервиса или лидера: лидера Резюме тут в личку: @RomanDsv

От стажёра до Head of DS: что я узнал, изучив почти 700 карьер в Data Science 🧬 Наконец-то дождались 🗿 Чуть больше года назад вы заполнили мой зарплатный опрос. Я обещал проанализировать результаты, но 695 анкет превратились в технический долг, о котором мне регулярно напоминали в комментариях. Сегодня я этот долг возвращаю. Кажется, даже с процентами: вместо очередной таблицы «кто сколько получает» получилось большое исследование карьер в Data Science. Да, за прошедшее время зарплатные вилки успели сдвинуться. Но карьерные зависимости никуда не делись, поэтому статья не только о суммах, а о профессиональном росте, удовлетворённости работой и готовности её сменить. Внутри вас ждет лонгрид, где в том числе есть ответы на пять не самых очевидных вопросов: 1️⃣ Можно ли удержать недовольного дата-сайентиста высокой зарплатой и запереть его в золотой клетке? 2️⃣ Какие навыки помогут быстрее вырасти в грейде и больше зарабатывать? 3️⃣ Одинаково ли зарабатывают мужчины и женщины с одним грейдом и опытом? 4️⃣ Что дата-сайентисты хотят сказать Head of DS, когда отвечают анонимно? 5️⃣ Как часто дата-сайентисты *** и связано ли это с доходом и удовлетворённостью работой? Ещё там премии стажёров, ШАД на скейтборде, зарплата CDS до 4,5 млн рублей 😳, переработки и попытка понять, где заканчивается развитие и начинается менеджмент. В анализ вошли 694 анкеты. Спасибо «Start Career in DS», «DziS Science | Data Science», «girafe.ai», «Artificial stupidity», «LightAutoML framework» и «Борис опять» 👉 Читать на Хабре

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: 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: 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: 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: 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: 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: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

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

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: 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+ - 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: 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: 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+/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