Data Scientist / ML Engineer

«Цифровые Корпоративные Технологии» — ведущий подрядчик для решения сложных технологических задач в области цифровизации промышленности. «Цифровые Корпоративные Технологии» является наследником подразделения центрального научно-исследовательского департамента Siemens в России. За более чем 15 лет нашей работы мы создали программные и аппаратные решения для мониторинга инфраструктуры, больших промышленных объектов как для Siemens (например, адаптировали поезд Сапсан для России), так и внешних заказчиков, таких как ЦЕРН, Арамко, Сибур. Сегодня мы продолжаем свой путь как независимый подрядчик для решения самых сложных и срочных технологических задач в промышленности России. Наш основной фокус — это создание высоконагруженных систем мониторинга промышленных объектов, с элементами машинного обучения, прикладного искусственного интеллекта и математического моделирования с интеграцией различных систем АСУТП / SCADA / DCS. Также мы реализуем отдельные большие проекты в сфере автоматизации.

О проектах и продуктах:

Проекты по комплексным решениям по автоматизации и цифровизации на основе таких продуктов компании «Цифровые Корпоративные Технологии» как Axioma и Платформа предиктивной диагностики.

• Axioma - Система предиктивного мониторинга эмиссий (выбросов загрязняющих веществ), предназначенная для контроля и учета эмиссий на объектах, оказывающих негативное воздействие на окружающую среду. Axioma обеспечивает мониторинг эмиссий на основе информации о состоянии технологического оборудования, поступающей из автоматизированных систем управления технологическим процессом и смежных систем, реализованных на базе цифровых двойников в части отходящих газов с использованием математических моделей отдельных этапов технологических процессов и методов промышленного искусственного интеллекта. Система сокращает в 2 раза общую стоимость владения оборудования для мониторинга выбросов и предлагает полную независимость от иностранных поставщиков зарубежного газоаналитического оборудования.

• Платформа предиктивной диагностики – система предиктивной диагностики и построения цифровых двойников оборудования, предприятий или технологических процессов. Система позволяет строить цифровые двойники оборудования и на их основе прогностические модели, выполняемые как на потоковых данных, так и на исторических. Система позволяет перейти предприятиям от реактивного и планового обслуживания оборудования к обслуживанию по состоянию. Также система может использоваться для моделирования сложных технологических процессов и их оптимизации для достижения наибольшей экономической эффективности.

Обязанности:

• Разработка приложений в области анализа данных промышленных предприятий;

• Исследование промышленных данных, проверка гипотез, построение моделей машинного обучения;

• Участие в предпроектной проработке решений, построение прототипов в части моделей машинного обучения, оценка достижимости результатов;

• Операционализация моделей машинного обучения, построение конвейеров автоматизации обучения и исполнения моделей машинного обучения;

• Взаимодействие с коллегами как внутри команды аналитики данных и искусственного интеллекта, так и со смежными командами разработки и инженерного консалтинга и моделирования.

Требования:

• Высшее образование в области математики или физики (предпочтительно: специализация на машинном обучении);

• Опыт работы по специальности от 3 лет;

• Владение научным стеком Python на уровне достаточном для разработки моделей машинного обучения и анализа данных;

• Технический английский.

Будет плюсом:

• Ученая степень (к.ф.-м.н / к.т.н.)

• Опыт в построении моделей и анализе данных для промышленных предприятий

• Опыт в MLOps

• Опыт в разработке ПО

• Опыт работы в междисциплинарных проектных командах, состоящих из инженеров, аналитиков данных, специалистов по машинному обучению и разработчиков ПО

• Опыт работы под Linux

Условия:

1. Работа в компании, решающей самые сложные и срочные технологические задачи в области цифровизации промышленности в России
2. Прозрачный и конкурентный уровень вознаграждения, основанный на результатах собеседования
3. Гибридный или удаленный формат работы