Задачи:
— Классический ML на табличных данных: бустинги (CatBoost/XGBoost/LightGBM), feature engineering, работа с признаками и метриками, валидация
— Работа с Python и SQL на продовом уровне (не только ноутбуки)
— Понимание статистики, умение обосновать выбор модели и метрики
Плюсом будет:
— Опыт в графовом ML: GNN, graph embeddings, link prediction, PyG/DGL/NetworkX
— Опыт в смежных направлениях: сетевой анализ, антифрод, рекомендации, маршрутизация
— Работа с пространственными данными: OSM, PostGIS, H3/geohash, дорожные графы
Задачи:
— Управление командой из 4–6 человек: постановка масштабных целей, декомпозиция их в задачи, координация со смежными командами, контроль процесса от постановки задачи до внедрения в продакшен.
— Обучение моделей и работа с данными: превращение данных, размеченных с помощью LLM, в датасеты для ML-моделей ранжирования, создание корпусов синтетических данных, дообучение открытых и внутренних LLM.
— Создание пайплайнов для оценки обученных моделей, обеспечение многосторонней оценки моделей, работающих в продуктах с миллионами пользователей.
Требования:
— Опыт управления командой ML/DL-разработчиков.
— Опыт обучения DL-моделей и их внедрения в продакшен.
— Готовность работать руками, создавать прототипы и проверять гипотезы.
Будет плюсом:
— Опыт работы с высоконагруженными системами и создания моделей для них.
— Опыт работы в кросс-функциональных командах.
Условия:
— ДМС с регулярными чекапами и вакцинацией.
— Другие бонусы, полный список доступен по ссылке.
Задачи:
— исследовать и разрабатывать торговые стратегии для DeFi и крипторынков: от гипотезы и анализа данных до бэктестинга, валидации и оценки результата стратегии
— Quant/ML research и разработка торговых стратегий для DeFi и крипторынков
— применять ML/DL-подходы для маркет-мейкинга, forecasting, управления позициями и смежных задач
— разрабатывать стратегии дельта-нейтрального хеджирования и управления рисками
— проводить бэктестинг и использовать симуляционные среды на крипто-данных: order book, trades
— анализировать рыночные данные и улучшать алгоритмы по результатам реального исполнения
Требования:
— senior-уровень в Quant/ML research, systematic trading, HFT/prop trading, market microstructure или смежных задачах
— участие в полном цикле ресерча: гипотеза > данные > модель/логика > бэктестинг > валидация и анализ результата
— понимание временных рядов, OOS-проверки, future leakage и торговой экономики
— знание Supervised Learning, статистического анализа, оптимизации моделей
— уверенный Python; PyTorch, Scikit-Learn, CatBoost, XGBoost, Optuna
— опыт доведения стратегий до реального исполнения или PnL-оценки
— опыт работы с order book и trades
— автономность в постановке гипотез и доведении их до результата
— владение русским языком для общения в команде
Будет плюсом:
— Reinforcement Learning
— опыт на Rust или low-latency engineering
— опыт в трейдинге, маркет-мейкинге, low-latency крипте
— опыт в квант-фондах, HFT, prop trading, банковских квант-командах
— опыт с DeFi, DEX/CEX, AMM/LP, perpetuals, funding, cross-venue arbitrage
— активное использование AI-инструментов
Условия:
— фиксированная зарплата в стейблкоинах (USDT/USDC, 1:1 к доллару)
— квартальный profit sharing от результатов стратегий
— оплачиваемый отпуск
— компания оплачивает AI-подписки
ГибридseniorМосква
Зарплата не указана
Не хотите искать каждый день?
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
Задачи:
– Разработка и рефакторинг ETL/ELT пайплайнов на pyspark;
– Разработка и поддержка OLAP движков Starrocks/Clickhouse;
– Поддержка текущих пайплайнов на Greenplum и Hadoop;
– Миграция с HDFS на S3;
– Оптимизация spark-приложений.
Требования:
– Опыт работы с Python от 3 лет;
– Глубокое знание SQL и опыт работы с большими данными;
– Опыт работы с Apache Airflow;
– Опыт проектирования и разработки ETL/ELT процессов;
– Опыт работы с колоночными БД (ClickHouse);
– Знание принципов построения Data Warehouse и Data Lake;
– Понимание разницы между OLTP/OLAP системами;
– Уверенная работа c linux и git;
– Понимание процессов ci/cd.
Задачи и требования:
— Классический ML на табличных данных: бустинги (CatBoost/XGBoost/LightGBM), feature engineering, работа с признаками и метриками, валидация
— Python и SQL на продвинутом уровне (не только ноутбуки)
— Понимание статистики, умение обосновать выбор модели и метрики
Плюсом будет:
— Опыт в графовом ML: GNN, graph embeddings, link prediction, PyG/DGL/NetworkX
— Опыт в смежных направлениях: сетевой анализ, антифрод, рекомендации, маршрутизация
— Работа с пространственными данными: OSM, PostGIS, H3/geohash, дорожные графы
Требования:
— 4+ года опыта работы дата-сайентистом
— Практический опыт с предсказанием LTV или ROAS
— Опыт в adtech или мобильном performance-маркетинге
— Уверенные навыки Python и SQL
— Опыт работы с облачными хранилищами данных в продакшене
— Опыт использования моделей, применяемых для реальных решений
— Владение английским языком на уровне B2+ (письменно и устно)
Требуется Data Engineer, который возьмёт на себя задачи, не связанные напрямую с аналитикой, включая автоматизацию создания отчётов, преобразование моделей в сервисы и оптимизацию запросов. Также необходимо наладить процесс код-ревью и внедрить CI/CD пайплайн для повышения эффективности разработки и поддержки проектов.
Задачи:
— строить и улучшать модели для разных частей всего пайплайна
— заниматься полным циклом DS/ML задач
— участвовать в создании и развитии платформы рекламы
— улучшать процесс построения моделей (от выдвижения гипотез до мониторинга работы модели)
Примеры задач:
— построить эмбеддинги на основе описания рекламных объявлений и добавить эти данные в модели прогнозирования конверсии
— обучить модель для прогнозирования распределения ставок в аукционах и совместить модель с текущим алгоритмом определения ставки
— провести эксперименты с новыми офлайн/онлайн признаками в моделях и доставить признаки до сервиса на Go
— внедрить модель, которая фильтрует подозрительный входящий трафик
Требования:
— знание классического ML и Deep Learning подходов
— опыт промышленного использования методов RecSys
— опыт разработки моделей от проблемы до сопровождения в проде
— уверенный опыт разработки на Python и Pyspark, опыт написания продакшн-кода
— знание принципов распределенной обработки данных
— умение принимать решения на основании данных и аргументировать свою позицию
— умение находить решения для проблем, декомпозировать, объяснять и контролировать выполнение
Условия:
— офис метро Маяковская (Оружейный переулок)
— гибридный формат работы
— конкурентная компенсация (оклад и премии по результатам деятельности)
— ДМС с первого рабочего дня, страхование от несчастных случаев и тяжелых заболеваний
— материальная помощь и социальная поддержка, корпоративная пенсионная программа
— дисконт-программы от компаний партнеров
— бесплатный фитнес на территории работодателя
— подписка Прайм с возможностью совместного использования на трёх близких
— внешнее и внутреннее профессиональное обучение: семинары, тренинги, конференции, корпоративная библиотека
Задачи:
— Разрабатывать ML-модели (lookalike/response/uplift/recsys) для персонализации push/pull-коммуникаций, категорий кешбэка, рекламных материалов и других сценариев в цифровых каналах банка;
— Визуализировать и интерпретировать результаты, дизайнить A/B-тесты, проводить пилоты;
— Общаться с бизнесом и помогать решать задачи через данные и ML;
— Проходить полный цикл разработки модели: от уточнения требований до продакшна и мониторинга качества (если каких-то навыков не хватает — поможем развить);
— Разрабатывать AI-агентов.
Требования:
— Высшее техническое образование;
— 3+ года опыта в Data Science (именно построение моделей, не только аналитика);
— Уверенный математический аппарат: мат. статистика, теория вероятностей;
— Продвинутый Python и SQL (оконные функции, подзапросы — на автомате);
— Опыт работы со Scikit-learn, NumPy, Pandas/Polars, Matplotlib/Seaborn/Plotly, LightGBM/XGBoost/CatBoost, PyTorch/TensorFlow/Implicit/LightFM, Airflow, Git.
Будет большим плюсом:
— PySpark, Hive, Hadoop, Docker, Kubernetes;
— Опыт в банковской сфере и CVM;
— Модели склонности и uplift-моделирование;
— Рекомендательные системы (RecSys);
— NBA/NBO оптимизаторы (Next Best Action / Next Best Offer);
— ИИ-сервисы (real-time, near real-time или batch).
Условия:
— Гибридный формат работы, Москва, Москва-Сити (2 дня в неделю в офисе);
— Комфортный и современный офис;
— Обучение за счет компании (посещение конференций, курсов, помощь в написании статей на Хабр и т.д.);
— Вертикальное и горизонтальное развитие: регулярные тренинги, вебинары, митапы;
— Забота о вашем здоровье: ДМС с первого месяца работы, куда входит стоматология;
— Прозрачный доход по итогам интервью;
— Дополнительные бонусы от Россельхозбанка для сотрудников группы компаний (Скидки на спортзалы, рестораны, маркетплейсы и т.д.).
Задачи:
— ценообразование
— uplift-моделирование
— задачи ранжирования
— модели склонности
— look-a-like
— response модели
— работа с регрессионными таргетами
— кластерный и факторный анализ.
Требования:
— опыт в части ML задач не менее 3 года
— опыт работы и глубокое понимание классического ML
— продвинутые знания статистики и машинного обучения
— опыт оценки качества результатов (DS и бизнес-валидация)
— опыт проведения A/B-тестов
— хорошие знания Python, SQL, Bash, PySpark.
Будет плюсом:
— опыт работы с Transformers
— успехи в ML-соревнованиях, хакатонов
— навыки работы с генеративными AI-моделями
— опыт создания AI-агентов и использования их в работе
— опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов.
Условия:
— работа в удобном и современном офисе недалеко от станции метро Кутузовская
— ежегодный пересмотр зарплаты, годовая премия
— корпоративный спортзал и зоны отдыха
— более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
— расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
— гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
— подписка Прайм с возможностью совместного использования на трёх близких
— вознаграждение за рекомендацию друзей в команду Сбера.
Задачи:
— исследование данных с использованием state-of-the-art (SOTA) подходов
— разработка моделей машинного обучения в области NLP и NER
— автоматизация и оптимизация процесса продаж инструментов глобальных рынков
— осуществление fine-tuning’a LLM
— имплементация RAG’ов на основе данных Банка
— развитие платформы по использованию и развитию LLM
— интеграция LLM в бизнес-процессы подразделения
— интеграция API, сервисов, построение пайплайнов моделей.
Требования:
— высокий уровень математического аппарата - математический анализ, линейная алгебра, теория вероятностей
— предпочтителен опыт в финансовой сфере, финтехе или области анализа данных (от 3- х лет)
— детальное понимание моделей машинного обучения и алгоритмов
— опыт управления проектами и взаимодействия со смежными командами
— глубокое понимание инструментов финансового рынка является дополнительным преимуществом
— уверенное владение Python
— опыт в разработке NLP моделей или компьютерной лингвистике
— инструментальное владение AI для анализа, генерации и автоматизации.
Условия:
— формат работы - офис (ст.м. Ленинский проспект)
— ежегодный пересмотр зарплаты и годовая премия
— корпоративный спортзал и зоны отдыха
— более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
— гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
— расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
— бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
— вознаграждение за рекомендацию друзей в команду Сбера.
О компании и продукте
Мобильная game development-компания развивает один из самых успешных ad-driven продуктов в мире - digital coloring book с многомиллионной аудиторией.
Ищем Lead Data Scientist, который будет развивать ML-решения для рекламной монетизации, персонализации и рекомендаций, а также вести и менторить Data Science-команду.
Почему стоит рассмотреть
• Прямое влияние на рекламную выручку, engagement, retention и LTV продукта
• Работа с большими поведенческими данными и ML-моделями в продукте с миллионами пользователей
• Возможность формировать Data Science-направление, roadmap и технические стандарты команды
• Кросс-функциональная работа с Product, Engineering, Analytics и Ad Monetization
Важно
• 5+ лет опыта в Data Science, желательно в consumer mobile-продуктах
• Обязателен опыт advertising monetization, revenue optimization или advertising analytics
• Опыт разработки recommendation, personalization или ranking systems
• Сильные Python и SQL
• Практический опыт с ML: classification, regression, ranking, forecasting, predictive modeling
• Понимание A/B-тестирования, applied statistics и работы с большими behavioral datasets
• Опыт технического лидерства или менторинга Data Scientists
О проекте и команде:
Технологическая компания, развивающая quantitative-инфраструктуру и ML-решения для рынков цифровых активов. Проект находится на pre-launch стадии, команда специализируется на quant research, machine learning и blockchain-разработке.
Задачи на этой роли:
— Полный цикл исследований по краткосрочной микроструктуре, LP/хеджированию, исполнению, межплощадочным сигналам, распределению риска и смежным задачам crypto/DeFi;
— Дизайн исследования: гипотеза, target/разметка, baseline, метрики, причинно корректная OOS-проверка, анализ режимов и явные критерии GO/NO-GO;
— Работа с данными: поиск источников, выравнивание времени, контроль качества, построение признаков и воспроизводимые контракты данных;
— ML/DL по структуре задачи; RL или другие методы последовательного управления - только когда они действительно оправданы;
— Реалистичная симуляция и торговая экономика: комиссии, проскальзывание, ликвидность, задержки, adverse selection, impact, fill assumptions, хеджирование и синхронизация DEX/CEX;
— Paper/shadow-стратегии, анализ sim-to-real и совместная работа с quant developer при переносе доказанных решений в production;
— Инженерный стандарт исследования: воспроизводимые эксперименты, чистый Python, критичные проверки, мониторинг и дисциплинированное использование LLM/агентов.
Ожидания от кандидата:
— Проверяемый опыт 2-3 Quant/ML проектов, где вы лично отвечали за существенную часть цепочки от постановки задачи и данных до проверки, кода и решения о внедрении либо GO/NO-GO;
— Отличный Python и сильная инженерная база: вы сами пишете, отлаживаете и ревьюите исследовательский код;
— Сильную статистику, вероятность, оптимизацию и работу с временными рядами: временную зависимость, leakage, selection bias, uncertainty и честную OOS-проверку;
— Глубокое практическое понимание микроструктуры и исполнения: order book/flow, liquidity, latency, fees, slippage, adverse selection, impact, sizing и hedging.
— Сильное практическое владение ML/DL для последовательных финансовых данных и способность отличать реальный сигнал от оптимизации метрики;
— Высокую самостоятельность: структурировать неясную проблему, выбирать наиболее информативный эксперимент, быстро останавливать слабые гипотезы и принимать решения на основании доказательств;
— Рабочее понимание структуры crypto-рынка. Прямой опыт DeFi/DEX будет плюсом, но сильный CEX/microstructure опыт может его компенсировать при быстрой адаптации.
Условия и возможности:
— Полная занятость, 5/2, гибридный/удаленный формат, офис в центре Москвы;
— Работа с реальным капиталом, где качество исследования, реалистичность исполнения и риск-контроль имеют прямое значение;
— Прямая работа с Quant/ML, разработкой и руководством компании, высокая самостоятельность и короткий цикл обратной связи;
— Небольшая команда, где сильное исследование может стать production-системой, а не закончиться презентацией;
— Компенсация всех необходимых инструменты и ПО для работы.
Задачи:
— Руководство и наставничество в команде Data Science
Требования:
— Опыт работы в Data Science не менее 5 лет, предпочтительно в мобильных потребительских продуктах
— Глубокие знания в области монетизации рекламы, оптимизации доходов или аналитики рекламы
— Опыт работы с системами рекомендаций, персонализации или ранжирования
— Продвинутые навыки Python и SQL
— Экспертиза в машинном обучении, предиктивном моделировании, прогнозировании и прикладной статистике
— Опыт работы с большими поведенческими наборами данных
— Опыт руководства или наставничества в командах Data Science
— Родной русский язык
Будет преимуществом:
— Знание и опыт работы с AdMob, AppLovin, Unity Ads, ironSource
— Опыт с MLOps и облачными платформами AWS, GCP, Azure
— Знания в области LLMs и генеративного ИИ
Задачи:
— Проектирование архитектуры хранилищ данных;
— Сопровождение существующих кластеров ClickHouse;
— Ревью и оптимизация SQL-запросов и схем данных совместно с разработчиками;
— Конфигурирование и оптимизация инстансов ClickHouse;
— Настройка и оптимизация процессов репликации и шардинга, конфигурация Zookeeper;
— Разбор и устранение сложных инцидентов, включая расследование деградации и потерь данных.
Требования:
— Опыт работы с Linux;
— Глубокие знания устройства и принципов работы ClickHouse (движки, индексы, репликация, шардинг, best practics);
— Уверенное владение Bash и SQL;
— Опыт работы с системами мониторинга.
Будет плюсом:
— Базовые навыки программирования на Python (решение рутинных задач);
— Опыт работы с системами управления конфигурацией, такими как Ansible, Puppet или SaltStack;
— Продвинутое знание и опыт работы с реляционными СУБД: MySQL и/или PostgreSQL.
Условия:
Официальное оформление, медицинская страховка, рабочая виза, компенсация английского, и многое другое подробнее в лс.
Задачи:
— Выявление производственных проблем и точек роста на основе данных;
— Участие в обследовании производственных участков, выезды в цеха, изучение технологических процессов на месте;
— Формализация производственных задач в цифровые кейсы: прогнозирование, классификация, детекция отклонений, контроль качества, оптимизация режимов;
— Сбор, выгрузка, очистка и консолидация данных из производственных и корпоративных информационных систем;
— Анализ данных технологических процессов, поиск закономерностей, факторов влияния и причин отклонений;
— Разработка, обучение и валидация ML-моделей для прогнозирования, оптимизации и поддержки принятия решений;
— Разработка и внедрение CV-решений;
— Подготовка датасетов, разметка данных, организация процессов сбора и актуализации обучающих выборок;
— Проверка гипотез, проведение пилотных проектов и оценка экономического эффекта;
— Визуализация результатов анализа, подготовка отчетов и рекомендаций для производственных подразделений;
— Взаимодействие с внутренними заказчиками, подрядчиками, интеграторами и смежными командами.
Требования:
— Практический опыт разработки и внедрения решений на базе ML;
— Практический опыт разработки и внедрения решений на базе Computer Vision;
— Опыт работы с производственными данными, временными рядами, журналами событий, технологическими параметрами;
— Опыт полного цикла работы с данными: сбор, выгрузка, очистка, анализ, построение признаков, обучение моделей, внедрение;
— Опыт проведения обследований производственных процессов и интервью с внутренними заказчиками;
— Понимание специфики промышленного предприятия и готовность работать “в поле”;
— Желателен опыт работы в металлургии, горнодобывающей промышленности, тяжелой промышленности, химическом производстве или энергетике;
— Понимание технологических процессов агломерационного, коксового или доменного производства будет преимуществом;
— Уверенное владение Python и библиотеками для ML/CV;
— Знание методов регрессии, классификации, кластеризации, поиска аномалий, анализа временных рядов, оптимизации, глубокого обучения;
— Опыт построения CV-моделей;
— Опыт работы с SQL и промышленными базами данных (MES, ERP, SCADA, historians, лабораторные системы, систем АСУ ТП);
— Понимание принципов интеграции моделей в промышленный ИТ-ландшафт;
— Опыт работы с Docker, Git, MLOps-инфраструктурой;
— Применение LLM в разработке решений;
— Понимание производственных показателей: качество сырья и продукции, производительность, простои, расход топлива и энергоресурсов, стабильность технологических режимов, надежность оборудования;
— Понимание причинно-следственных связей в производственном процессе и умение переводить экспертные знания технологов в аналитические модели;
— Навык оценки экономического эффекта от цифровых инициатив: снижение потерь, снижение брака, снижение простоев, рост производительности, снижение расхода ресурсов.
Условия:
— ДМС, включая стоматологию;
— Страхование жизни и страховка для путешественников;
— Корпоративная мобильная связь;
— Система скидок для сотрудников НЛМК ИТ;
— Частичная компенсация питания в корпоративных столовых;
— Возможность обучения за счет работодателя;
— Активная корпоративная жизнь;
— Поддержка от компании в жизненно важных событиях;
— Бесплатный доступ к электронной библиотеке.
Задачи:
– Разработка, создание и поддержка масштабируемых конвейеров обработки данных с использованием Apache Spark и современных платформ обработки данных.
– Разработка и оптимизация архитектур хранилищ данных для поддержки рабочих процессов анализа данных и машинного обучения.
– Внедрение моделей и структур данных, обеспечивающих качество, согласованность и доступность данных.
– Сотрудничество со специалистами по анализу данных и аналитиками для понимания потребностей в данных и предложения решений.
– Обеспечение безопасности данных и соответствия нормативным требованиям.
– Мониторинг и устранение неполадок, связанных с производительностью и надежностью конвейера обработки данных.
– Постоянное совершенствование процессов и передовых методов обработки данных.
– Взаимодействие с межфункциональными командами и участие в технических дискуссиях.
– На руководящей должности оказание технической поддержки и наставничество младших инженеров.
Требования:
– Опыт работы с Python или Scala/Java.
– Углубленные знания SQL.
– Практический опыт работы с Apache Spark, Databricks, Snowflake или Microsoft Fabric.
– Понимание концепции и архитектуры хранилища данных (data lakehouse).
– Понимание основ распределенных систем.
– Навыки моделирования данных и создания хранилищ данных.
– Опыт работы с облачными архитектурами данных на платформах AWS, Azure или GCP.
– Готовность к обучению и экспериментам с разными решениями.
– Ценить баланс между работой и личной жизнью, избегать сверхурочной работы.
– Умение просить о помощи и работать в команде.