Data Scientist

Требования: — Подтверждённый опыт внедрения ML/DS‑решений в промышленную эксплуатацию (в т.ч. за пределами прототипов и Jupyter‑блокнотов); — Уверенное владение 3D‑геометрией и обработкой пространственных данных: работа с полигональными сетками, вокселями, триангуляцией, 2D/3D‑объектами, понимание лежащей в основе математики; — Практические навыки в Information Retrieval и LLM‑задачах: построение гибридного поиска (сочетание dense‑ и sparse‑подходов, включая BM25), работа с эмбеддингами, применение инструментов для оценки качества поиска и ответов моделей (например, LLM‑evals, retrieval‑метрики); — Высокий уровень инженерной культуры: глубокое понимание принципов работы используемых технологий, навык написания надёжного, асинхронного и легко поддерживаемого кода для продакшена; — Опыт координации небольшой команды или технического руководства разработчиками; — Способность переводить абстрактные бизнес‑задачи в чёткие технические требования и разбивать их на реализуемые подзадачи; — Навыки работы с Python 3.10+ (в том числе с asyncio и typing), а также с библиотеками NumPy, SciPy, Pandas; — Знание Search‑ и LLM‑экосистемы: опыт применения векторных баз данных (Qdrant, Milvus, pgvector, Weaviate и другие), построения пайплайнов гибридного поиска (работа с эмбеддингами, sparse‑репрезентациями, методами переранжирования вроде Reciprocal Rank Fusion); — Владение инструментами оценки качества генерации и поиска LLM‑evals (Ragas, TruLens, DeepEval) либо умение разрабатывать собственные метрики; — Навыки в backend‑разработке и инфраструктуре: работа с FastAPI (включая микросервисную архитектуру, REST, асинхронную обработку), контейнеризацией приложений и Docker, эксплуатация в среде Linux (Ubuntu); — Умение применять инструменты профилирования cProfile, Scalene, memory_profiler и аналогичные. Задачи: — Решение сложных алгоритмических и исследовательских задач: обработка 3D‑данных, полигональных сеток и пространственных объектов, разработка пайплайнов поиска; — Проектирование архитектуры ML/DS‑сервисов и внедрение готовых решений в инфраструктуру проекта; — Профилирование производительности и снижение вычислительной сложности, в том числе при работе с 3D‑структурами и векторными индексами; — Подготовка технической документации, фиксация принятых архитектурных решений, участие в приёмочных испытаниях; — Координация работы подгруппы разработки: разбиение задач на подзадачи, оценка трудозатрат, участие в планировании спринтов; — Исполнение функций тимлида в периоды его отсутствия; — Проведение Code Review, контроль качества кода и соблюдения принятых engineering‑стандартов; — Менторинг, сопровождение онбординга и профессиональное развитие специалистов уровня Junior и Middle в команде.