Стажёр-дата-сайентист (промышленный AI и предиктивная аналитика)

Санкт-Петербург, Аптекарская набережная, 8

Описание вакансии

Представьте, что вы не просто тренируете модели на игрушечных датасетах, а предсказываете отказ промышленного компрессора за неделю до аварии или рассчитываете оптимальный режим работы печи, который сэкономит миллионы кубометров газа.

Ваши модели будут встраиваться в реальные системы управления заводами, анализировать тысячи датчиков в реальном времени и помогать инженерам принимать решения, которые влияют на безопасность, экологию и экономику.

Вы научитесь не только строить алгоритмы, но и доводить их до продакшена — упаковывать в API, настраивать конвейеры данных и мониторить качество прогнозов на потоке.

Это не стажировка «покрутить Jupyter Notebook». Это шанс ещё до выпуска получить опыт в промышленном AI, MLOps и работе с реальными данными с нефтехимических комбинатов, металлургических производств, ТЭЦ.

Как и в любой работе во время стажировки будет место и скучным, рутиным задачам, но если вас это не отпугивает, то будем рады вашим откликам.

Мы — ИТ‑компания, создающая интеллектуальные системы мониторинга для промышленности. Наши продукты — Axioma (предиктивный контроль выбросов) и Платформа предиктивной диагностики (цифровые двойники оборудования) — уже работают на высокотехнологичных производствах России. И мы ищем стажёра-дата-сайентиста, который поможет нам делать промышленные данные «говорящими», а прогнозы — точными и полезными.

Чем предстоит заниматься (под руководством наставника-эксперта)

Разрабатывать приложения для анализа данных промышленных предприятий (тысячи датчиков, временные ряды, телеметрия).
Исследовать промышленные данные, проверять гипотезы, строить модели машинного обучения (регрессия, классификация, обнаружение аномалий).
Участвовать в предпроектной проработке решений: строить прототипы моделей, оценивать достижимость бизнес-результатов.
Операционализировать модели машинного обучения: строить конвейеры автоматизации обучения (ML pipelines) и исполнения моделей в реальном времени.
Взаимодействовать с командой аналитики данных и AI, а также со смежными командами разработки и инженерного моделирования.

Кто нам нужен:

Студент выпускного курса (бакалавриат / магистратура / специалитет) или выпускник 2024–2026 гг. по одному из направлений:

прикладная математика и физика,
компьютерные науки / data science,
вычислительная механика,
информатика и вычислительная техника (с уклоном в ML).

Базовые требования:

Средний балл диплома / зачётной книжки — не ниже 4.5.
Уверенное владение научным стеком Python (pandas, numpy, scikit-learn, matplotlib/seaborn) — на уровне учебных проектов или курсовых работ.
Понимание основных алгоритмов ML (линейные модели, деревья решений, градиентный бустинг, базовые представления о нейросетях).
Технический английский (читать документацию, статьи).
Желание разбираться в промышленных данных — не бояться шумов, пропусков, дрейфа распределений.

Будет преимуществом:

Участие в научных конференциях, публикации (включая тезисы).
Опыт работы с Linux.
Знакомство с MLOps-инструментами (Docker, MLflow, Airflow, Kubeflow — хотя бы на уровне «знаю, зачем нужно»).
Опыт в разработке ПО (Git, ООП, тестирование).
Опыт работы с временными рядами (прогнозирование, обнаружение аномалий).
Участие в хакатонах / Kaggle (любые места).

Мы ожидаем от стажёра

Исследовательской жилки — умения формулировать гипотезы и проверять их на данных.
Инженерного подхода — готовности доводить модель до работающего прототипа, а не останавливаться на графиках в ноутбуке.
Инициативности и любознательности — не бояться задавать вопросы технологам и инженерам, чтобы лучше понять физику процессов.
Командности — обсуждать решения с аналитиками, разработчиками и предметными экспертами.

Мы предлагаем

Погружение в реальные промышленные проекты (цифровые двойники для нефтехимии, энергетики, металлургии).
Наставничество от ведущих дата-сайентистов и ML-инженеров, которые реализовали десятки успешных проектов.
Доступ к реальным промышленным данным (тысячи датчиков, годы истории).
Офисный, гибридный формат.
Гибкий график на время сессии / диплома.
Высокий шанс перехода в постоянную позицию младшего дата-сайентиста.

Как попасть на стажировку

Проверьте средний балл — от 4.5.
Отправьте CV с перечислением учебных проектов по ML / анализу данных (курсовые, диплом, Kaggle, хакатоны).
Пройдите скрининг резюме.
Пройдите техническое интервью (Python + ML + задачка на анализ данных — например, построить простую модель прогнозирования на временном ряду).
Пройдите финальное собеседование с руководителем направления и техническим директором (обсуждение опыта и научных интересов).

Дедлайн подачи заявок: до 15 августа 2026 года.
Старт стажировки: сентябрь–октябрь 2026 (возможно согласование индивидуально).