Разработчик систем искусственного интеллекта | Data Scientist | ML engineer

Приглашаем для постоянной работы в центр искусственного интеллекта специалиста по машинному обучению. Мы не ожидаем от будущего коллеги экспертности по всем перечисленным пунктам. Крепких базовых навыков будет достаточно.

Наши ожидания:

• Уверенное владение Python и основами Software Engineering .

Знание структур данных, ООП, работы с исключениями, генераторами, декораторами.

Умение писать читаемый, модульный код, понимать PEP8 и базовые паттерны проектирования.

• Базовая математика и статистика

Линейная алгебра (операции с матрицами, собственные значения), теория вероятностей, описательная статистика, распределения, доверительные интервалы, понимание bias/variance, переобучения и регуляризации.

• Знание классических ML-алгоритмов и метрик

Линейные/логистические регрессии, деревья решений, случайный лес, градиентный бустинг, SVM, k-means.

Умение подбирать и интерпретировать метрики (accuracy, precision/recall, F1, ROC-AUC, RMSE/MAE, logloss) под тип задачи.

• Навыки работы с данными (Data Handling & EDA)

Уверенное использование `pandas` и `numpy`, написание SQL-запросов (JOIN, GROUP BY, оконные функции).

Проведение EDA, обработка пропусков, выбросов, кодирование категориальных признаков, масштабирование, базовый feature engineering.

• Опыт с основными ML-фреймворками

Scikit-learn` обязательно. Плюс уверенная работа с одним из фреймворков глубокого обучения: PyTorch (рекомендуется) или TensorFlow/Keras.

Умение собрать пайплайн обучения, валидации, сохранения и загрузки моделей.

• Основы MLOps и деплоя моделей

Понимание, как модель уходит в продакшен: упаковка (pickle, joblib, ONNX), создание REST/gRPC API (FastAPI),

базовая контейнеризация (Docker), знакомство с CI/CD для ML, понимание мониторинга дрейфа данных и деградации модели.

• Git и командная разработка

Уверенная работа с ветками, pull/merge requests, разрешение конфликтов, базовый code review.

Понимание рабочих процессов Agile/Scrum, умение вести задачи в трекере (Jira, Linear, YouTrack и т.п.).

• Понимание жизненного цикла ML-проекта и бизнес-контекста

От формулировки гипотезы до мониторинга в продакшене. Умение переводить бизнес-цели в ML-метрики,

учитывать ограничения (латентность, стоимость инференса, интерпретируемость, compliance), осознавать цену ошибки FP/FN.

• Воспроизводимость экспериментов и тестирование

Фиксация random seed, логирование параметров и метрик (MLflow, Weights & Biases или структурированные логи),

версионирование данных и кода. Написание unit-тестов для пайплайнов, валидация схем данных, использование линтеров (ruff, black, mypy).

• Self-learning, документирование и коммуникация

Умение быстро разбираться в чужом коде, читать документацию и статьи, задавать точные вопросы.

Ведение README, описание экспериментов, презентация результатов команде. Готовность к регулярному обучению и обратной связи.

• Возможность постоянного профессионального развития;
• Официальное оформление по ТК РБ;
• Стабильная оплата труда (размер оплаты по результатам собеседования);
• Работа преимущественно в офисе;
• Обучение и участие в профессиональных конференциях за счет компании;
• Яркая корпоративная культура с заботой о сотрудниках;
• Расширенный соцпакет;
• ДМС для работника и членов его семьи;
• Возможности самореализации в профессии и за пределами рабочих задач.

Ссылка на вакансию в банке вакансий на gsz.gov.⁣by:

https://gsz.gov.by/registration/employer/vacancy/1778026/detail-public/