Вакансии

🔎 Maqsad: Python da telegram bot, rest api loyihalar qilib sota olish va git, git hub, docker rabbit texnologiyalarni o'rgata olaman.

Задачи: — Обеспечение развертывания нашего программного обеспечения и связанного ПО — Проектирование и реализация компонентов в инструментах автоматизации, расширение и замена текущего кода для обновления с новыми функциями — Внесение идей по улучшению приложений и упрощению их использования — Поддержка развернутых облачных сред Требования: — Четкое понимание основ операционных систем Linux — Опыт системного и сетевого администрирования — Опыт управления физическими серверами HP, Supermicro, IBM — Опыт работы с физическим сетевым оборудованием HP, Cisco, Juniper — Опыт работы с системами хранения данных и/или FibreChannel SAN — Хорошие знания систем виртуализации Linux — Опыт работы с управлением логами и мониторингом — Опыт работы с инструментами автоматизации Ansible или Chef — Знание Git, Python и Shell-script для системных операций — Письменный английский достаточен Будет плюсом: — Опыт работы в ISP, хостинг-провайдере или сетевом операторе — Знание гипервизоров (KVM, Xen, HyperV, VMware) — Опыт работы с облачными платформами OpenStack, GCP, AWS — Опыт работы с Docker, Kubernetes — Опыт работы с дата-центрами — Опыт работы с программно-определяемыми сетями Условия: — Работа над интересным проектом с командой опытных профессионалов — Все условия для быстрого профессионального роста и усложнения задач — Конкурентная заработная плата с регулярным пересмотром — Гибкий график работы с учетом вашего часового пояса — Пятидневная рабочая неделя, 8 часов в день (понедельник-пятница) — Ежедневная практика английского языка в процессе работы — Возможность посещать конференции, митапы и другие профессиональные мероприятия

Эксплуатация и тюнинг СУБД: Полный контроль над состоянием, профилированием и оптимизацией PostgreSQL под конфигурацию серверов в AWS; Отказоустойчивость и HA/DR: Настройка и сопровождение репликации, Patroni, PgBouncer, бэкапирования и катастрофоустойчивости;

- Превращать телеметрию автономного транспорта в данные, удобные для анализа: разрабатывать и запускать Spark-пайплайны, продумывать преобразования и проверки качества. - Подключать новые источники данных: разрабатывать интеграции с различными системами и обеспечивать надёжную загрузку данных в хранилище.

Location: Нижний Новгород Мы – команда экспертов, объединенных общей страстью к искусственному интеллекту и рекомендательным системам (RecSys). Нашей главной задачей является создание современной, масштабируемой рекомендательной платформы, способной предвосхищать ожидания пользователей, предлагая персонализированные рекомендации на каждом этапе их взаимодействия с экосистемой Сбер. Наши решения охватывают широкий спектр отраслей: от финансов и e-commerce до индустрии развлечений и здравоохранения. Развитие нашей платформы строится вокруг внедрения новейших state-of-the-art (SOTA) моделей. Мы следим за мировыми трендами, экспериментируем с новыми подходами, внедряем их как часть платформы и доводим до конкретного применения в бизнесе. Обязанности * извлекать и обрабатывать большие объемы данных (ETL-процессы) с помощью SQL, Python и Spark для анализа воронки рекомендаций * строить дашборды, автоматизированные отчеты и визуализации в BI для продуктовых и ML-команд * проводить статистический анализ (когорты, сегментация, регрессия) метрик retention, LTV, ARPU, выявляя корреляции и причинно-следственные связи * генерировать data-driven гипотезы по рекомендациям, настраивать A/B-тесты и анализировать результаты с фокусом на p-value и uplift. * оптимизировать пайплайны данных (Airflow), работать с логами и сырыми датасетами. Требования * опыт в аналитике данных от 2 лет, с уклоном в обработку Big Data * свободное владение SQL, Python (Pandas, NumPy), Spark для работы с терабайтами данных * опыт работы с A/B-тестированием, сегментацией пользовательской базы, когортным/регрессионным анализом * знание базового ML (кластеризация, feature engineering и т.д.) * опыт работы с инструментами визуализации и построении дашбордов * самостоятельность, инициативность, аналитический склад ума * умение ясно презентовать и отстаивать результаты своей работы * способность работать в быстро меняющейся среде и находить решения сложных задач. **Будет большим плюсом:** * опыт в сферах e-commerce или развлекательных стриминговых сервисов (аудио/видео) * опыт работы в области рекомендательных систем (RecSys) и/или поиска * опыт работы с Kafka и/или другими streaming-платформами для real-time анализа данных * высшее образование в области IT, математики, Data Science или смежных дисциплин * навыки работы с генеративными AI-моделями, опыт использования GigaChat, Kandinsky и аналогов в продуктах * навыки создания и использования AI-агентов инструментальное владение AI для анализа, генерации и автоматизации. **Стек технологий:** Python (Pandas/NumPy/Scikit-learn/Statsmodels), SQL, Spark/ClickHouse, Tableau/Superset/Amplitude, Airflow, Git Условия * ежегодный пересмотр зарплаты и годовая премия * расширенный ДМС и льготное страхование для семьи * уникальная система обучения Сбера для профессионального и карьерного развития * выгодная ипотека для сотрудников * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера * корпоративная пенсионная программа.

— Guruhlarga Data Analytics bo'yicha dars o'tish. — O'quvchilarga individual mentoring.

-Разработка новых модулей и развитие существующих на Java/Kotlin. -Проведение code review коллегам.

In this role, you will work on the development and continuous improvement of Sophea AI, expanding our LLM capabilities across European languages, with a particular focus on Polish. You will be deeply involved in LLM pre-training, training from scratch, fine-tuning, model evaluation, inference optimization, and production-grade ML systems.

-Погружаться в бизнес контекст платформы ограничений, изучать доступные данные и существующую инфраструктуру — высоконагруженные сервисы, обрабатывающие миллионы транзакций в день. -Анализировать текущие бизнес процессы, выявлять их уязвимые места и точки роста.

Location: Москва Мы развиваем продукт DataQuality - систему мониторинга качества данных, которая в реальном времени следит за потоком событий антифрод-платформы: согласованность полей, заполненность расчетов, стабильность скорингов и агрегатов, статистику срабатывания фрод-правил, пропажу типов событий. Мы ищем аналитика данных, который возьмет на себя две связанные задачи: довести систему алертов до состояния, когда сигналов мало, но каждый по делу, и исследовать связанные с данными обращения пользователей антифрод-платформы, находя в них подсказки о том, что мы еще не умеем мониторить. Это техническая роль. Поток платформы - тысячи событий в секунду, история в Hadoop - миллиарды строк. Поэтому нужно понимать, как Spark исполняет ваш запрос, и уверенно владеть статистикой: пороги алертов выводятся из распределений, а не подбираются на глаз. Роль хорошо подойдет тем, кто работал с ML (обучал и оценивал модели, искал аномалии, следил за дрейфом признаков), но не хочет уходить в Data Science или MLOps. У нас статистика и ML-подходы применяются к прикладной задаче с быстрым результатом: настроенная вами проверка уже завтра ловит реальный инцидент на боевом потоке. Обязанности * разбирать поток срабатываний проверок качества данных, отличая реальную деградацию от шума и ложных сигналов * настраивать проверки так, чтобы снижать долю ложных срабатываний: подбирать пороги по уровням severity, окно агрегации и базовый период на основе распределения метрики за исторический период, а не «на глаз» * копать до первопричины срабатываний: идти в сырые события, поднимать историю, сопоставлять с релизами и инцидентами * оценивать качество алертов: сколько сигналов были ложными и почему (строгий порог, короткое окно, сезонность, редкий тип события) * развивать методы детектирования: проверять статистические и ML-подходы к поиску аномалий и дрейфа на временных рядах и распределениях скорингов, оценивать их на истории инцидентов и предлагать, что включать в продукт * работать с полной историей событий в Hadoop: писать запросы и расчеты на Spark SQL и PySpark так, чтобы они укладывались в ресурсы общего кластера * исследовать обращения, которые пользователи антифрод-платформы пишут в поддержку, и вытаскивать из них реальную проблему с данными * соотносить обращения с текущим покрытием мониторинга: понимать, что уже отлавливается проверками, а где инструмента нет * доводить находку до понятного «полуфабриката»: проблема, подтвержденная на данных, и передавать ее системному аналитику, который оформит из нее требования для команды разработки. Требования * опыт в аналитике данных или Data Science от трех лет, включая работу с потоковыми или near-real-time данными и с большими объемами в Hadoop / Spark * Spark SQL и PySpark на больших объемах - ежедневный инструмент: условия проверок в системе пишутся на Spark SQL. Важно понимать, как запрос исполняется. Нужно уметь прочитать план запроса и оценить его стоимость до запуска: кластер общий, и тяжелый запрос по полной истории мешает всем * SQL уверенно: оконные функции, многошаговые агрегации, джойны с контролем кардинальности, корректная работа с NULL и типами. Понимание, почему запрос деградирует, и чем колоночная СУБД отличается от строчной; опыт с ClickHouse будет плюсом * Python как основной рабочий инструмент, а не эпизодический. Способность быстро написать скрипт, который поднимет историю срабатываний и покажет, какие пороги дают ложные сигналы * теория вероятностей и математическая статистика на уровне уверенного применения: доверительные интервалы, проверка гипотез, ошибки первого и второго рода и тд * прикладная статистика для мониторинга: дрейф распределений (PSI), отклонение среднего и дисперсии от базовой линии, выбросы (z-score / IQR), сезонность; precision / recall применительно к алертам. Меры расхождения распределений и принятые для них пороговые значения, баланс ложноположительных и ложноотрицательных срабатываний * практический опыт с ML: потребуется понимать метрики качества, как работает переобучение, дрейф признаков и то, как качество данных влияет на модель. Выводить модели в продакшен не потребуется * понимание принципов мониторинга качества данных: типы проверок, уровни severity и то, что за ними стоят разные действия от информирования до инцидента * системный взгляд и исследовательская жилка: видеть картину целиком, не лечить симптом порогом, если корень в источнике данных, и копать до истины Будет плюсом: * понимание работы фрод-правил и скорингов * опыт оптимизации расчетов на Spark * опыт ML-детектирования аномалий и дрейфа данных в промышленном мониторинге (это направление у нас в развитии) * опыт работы в поддержке / эксплуатации: разбор инцидентов, приоритизация обращений * опыт с инструментами контроля качества данных: Great Expectations, Soda, Evidently, Monte Carlo. Отдельно ценим понимание, где их настройки по умолчанию перестают работать на больших объемах * опыт с каталогами данных и lineage: Atlas, DataHub, OpenLineage * опыт работы с ИИ-ассистентами при разборе кода. Условия * комфортный современный офис в Москве, Кутузовский, 32 * график работы – офис * ежегодный пересмотр зарплаты, квартальная и годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * программа адаптации и помощь руководителя на старте (для Junior позиций) * 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 Сбер

-Разрабатывать автоматизированные тесты для веб-сервиса (функциональные тесты api/ui, визуальное тестирование, нагрузочное тестирование). -Поддерживать автотесты (6000+ api, 600+ ui).

-Программирование в СУБД Oracle, подготовка API (SQL, PL/SQL). -Оптимизация системы в широком смысле.

Location: Москва ИТ B2C — самая крупная экосистема в Сбере. Нас более 8000 человек в 18 городах России. Мы занимаемся разработкой и развитием розничных решений, помогая сделать сервисы Банка доступнее, безопаснее и удобнее. Ждем именно тебя! Дорогой кандидат, мы – команда экспертов, объединенных общей страстью к искусственному интеллекту и рекомендательным системам (RecSys). Нашей главной задачей является создание современной, масштабируемой рекомендательной платформы, способной предвосхищать ожидания пользователей и предлагать персонализированные рекомендации на каждом этапе их взаимодействия с экосистемой Сбер. Наши решения охватывают широкий спектр отраслей: от финансов и e-commerce до индустрии развлечений и здравоохранения. Если вам близка идея участия в развитии рекомендательной системы, которая помогает миллионам пользователей, присоединяйтесь к нам! Обязанности ### Чем предстоит заниматься: * поиск подходящих ML решений для решения бизнес-задач, проведение оффлайн и онлайн (А/Б) экспериментов * разработка и улучшение ML-пайплайнов для задач RecSys: подготовка данных, обучение моделей, валидация и внедрение * анализ и работа с большими объёмами данных на PySpark * исследование и применение актуальных методик в области Data Science, Machine Learning и RecSys * взаимодействие с командой разработки и аналитики, генерация гипотез, участие в обсуждении решений и донесение результатов своей работы до команды. Требования ### Что мы ожидаем: * опыт работы в области Data Science от 1 до 3 лет * интерес к рекомендательным системам, желание развиваться и постепенно брать на себя больше ответственности * практические навыки решения ML-задач: от подготовки данных и выбора алгоритмов до настройки гиперпараметров и оценки качества моделей * хорошая база в алгоритмах машинного обучения и интеллектуальном анализе данных; опыт применения классических ML- и/или DL-подходов будет преимуществом * хорошее знание Python и основных DS-фреймворков (PyTorch, PySpark и др.), понимание принципов написания качественного кода * способность самостоятельно разбираться в новых подходах, читать технические материалы на английском и применять их на практике. **Будет плюсом:** * опыт реализации DS-проектов в области рекомендаций * опыт работы с ranking-задачами, feature engineering, A/B-тестами или ML-экспериментами * опыт вывода ML-решений в production или участия в развитии ML-пайплайнов * опыт работы с высоконагруженными системами с машинным обучением и Big Data * участие в профильных курсах, соревнованиях или pet-projects в области ML/RecSys. **Стек технологий:** Python, PySpark, PyTorch, Airflow, MLflow, Kubernetes, Redis, Kafka, S3, FastAPI и др. Условия ### Что мы предлагаем: * комфортный современный офис рядом с м. Кутузовская * возможность выбрать удобный график – офис/гибрид * ежегодный пересмотр зарплаты, годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * программа адаптации и помощь руководителя на старте * 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.

Чем предстоит заниматься: — Развивать Kubernetes-инфраструктуру в облаке и на bare-metal.

Location: London, United Kingdom - Deliveroo Our Global Structure Deliveroo is now part of DoorDash, bringing together teams with even greater reach, scale, and ambition. Depending on your role, you may collaborate with teammates, systems, and leaders across DoorDash and Wolt. Together, we’re unlocking new possibilities as one global team. Senior Software Engineer, GenAI Platform About the Team Deliveroo's GenAI Platform team sits within Machine Learning Platform and builds the shared infrastructure that helps DoorDash, Wolt, and Deliveroo teams safely bring GenAI-powered products, agents, automation, and personalisation to production. Our mission is to increase the velocity of business impact from GenAI. A central pillar of that work is running frontier open-weight LLMs and VLMs (such as GLM, Qwen, Kimi, and DeepSeek) ourselves — real-time GPU serving, high-throughput batch inference, and fine-tuning on autoscaling GPUs — delivering large cost and latency wins (for example, a billion embeddings produced roughly 20× cheaper and visual models served roughly 72% cheaper). We also own core platform surfaces including the LLM Gateway, Agent Gateway, evals infrastructure, guardrails, and cost attribution. About the Role You will join a small, high-leverage team building production infrastructure for Generative AI at Deliveroo and DoorDash, leading the design and architecture of our open-weights model platform spanning inference and fine-tuning: real-time GPU serving, high-throughput batch inference, and model fine-tuning. You’ll set technical direction across model serving and inference engines, fine-tuning and training pipelines, GPU autoscaling and utilization, batch pipelines, backend services, and observability, and mentor engineers as you go. This role is ideal for a senior engineer who enjoys owning ambiguous, high-impact systems and pushing the cost/performance frontier of GPU inference and fine-tuning in a fast-moving technical area where product needs, model capabilities, vendor ecosystems, and cost/performance tradeoffs are evolving quickly. You’re excited about this opportunity because you will… Lead the design of infrastructure that helps teams move GenAI ideas from prototype to production, increasing the velocity of business impact from AI across the company. Own and evolve our open-weights serving stack — real-time GPU endpoints, high-throughput batch inference, and fine-tuning (SFT/DPO/LoRA) — alongside the LLM Gateway, Agent Gateway, evals infrastructure, guardrails, and cost attribution. Architect scalable, high-performance systems for model serving, batch inference, GPU autoscaling, and fine-tuning that power real customer and internal automation use cases Push the cost and latency frontier of GPU inference — turning batch jobs that took days into hours and cutting inference cost by multiples — while giving product teams a clean choice across open-weight and closed-source models with reliability, fallback, observability, and cost controls built in. Build platforms that support rapid experimentation while meeting production standards for latency, scale, monitoring, SLOs, playbooks, and operational excellence. Partner closely with — and raise the technical bar for — ML engineers, product engineers, data scientists, and platform teams across DoorDash, Wolt, and Deliveroo to turn emerging GenAI capabilities into durable platform primitives. Set technical direction for the future of the company's centralised GenAI platform — including emerging directions such as reinforcement learning (RLHF/RLVR), agent optimisation, and other post-training and agentic techniques — enabling the next generation of AI-powered products, agents, automation, and personalisation. We’re excited about you because… BSc, MSc or PhD in Computer Science or equivalent 5+ years of industry experience in software engineering Deep backend engineering fundamentals, especially in Python and distributed systems. Track record of designing and owning production services, APIs, data pipelines, or ML infrastructure at scale. Experience operating systems in production, including observability, debugging, reliability, incident response, and performance/cost optimization. Deep hands-on experience with LLM inference and/or fine-tuning of open-weight models in production — serving (latency, throughput, batching, autoscaling, GPU utilization) and/or fine-tuning (SFT/DPO/LoRA). Demonstrated technical leadership: leading design across ambiguous, fast-moving technical areas, mentoring engineers, and turning customer use cases into reusable platform capabilities Proficiency in using AI coding tools (e.g., Claude Code, Codex, Cursor) in the full software development lifecycle, including designing, generating code, testing, monitoring and releasing software Nice To Haves Experience with LLM inference engines and serving frameworks (e.g., vLLM, SGLang, TensorRT-LLM) in production Experience with distributed/multi-node fine-tuning and training pipelines (SFT, DPO/RLHF, LoRA), including data preparation and evaluation GPU performance work — multi-node/distributed inference, KV-cache/memory optimisation, quantisation (FP8/INT8/AWQ/GPTQ), or cold-start/throughput tuning Experience with Kubernetes, cloud infrastructure (AWS/GCP), GPUs, serverless/elastic GPU platforms (e.g., Modal), or high-throughput batch systems Experience with LLM gateways, model routing, vendor abstraction, or cost attribution Experience building developer platforms, internal platforms, or self-serve infrastructure Experience building and deploying AI agents or MCP servers in production Experience with eval systems, LLM observability, tracing, RAG, search, or vector databases Diversity, Equity and Inclusion At Deliveroo, we know that a great workplace reflects the world around us and that true diversity and inclusion make us stronger, more creative, and better at what we do. We’re committed to fostering an environment where everyone can do their best work and feel they belong. We believe in equality of opportunity and welcome candidates from all backgrounds regardless of age, gender, ethnicity, disability, sexual orientation, gender identity, socio-economic background, religion, or belief. If you have a disability or long-term health condition and need support to apply for one of our roles, or require any reasonable adjustments during the recruitment process, you’ll have the opportunity to let us know once you’ve submitted your application. We’ll share details on how to request support so we can ensure you have a fair and equitable experience. If you’re excited about making a real impact in a fast-moving marketplace and growing your career alongside ambitious, supportive teams, we’d love to hear from you! Beware of recruitment scams: DASH Brands will never ask you to pay money or share sensitive financial information during hiring — learn more about DASH Brands' legitimate recruiting process at careersatdoordash.com/recruitment-scam-awareness .

Location: London Workplace: Hybrid Why loveholidays? We’re on a mission to open the world to everyone, giving our customers unlimited choice, unmatched ease and unmissable value for their next getaway. Our trailblaze together culture is what drives our success, powered by our people and the way they work. Using progressive technology, we drive cutting-edge innovation and improve how our customers discover, book and experience their holidays. You’ll have the opportunity to accelerate your growth through meaningful challenges, new experiences and the freedom to shape your own path. You’ll create impact for our future by taking ownership, contributing to shared goals and helping shape what comes next, all as part of our enhanced international community of talented, collaborative and passionate teams. The difference you’ll make You’ll sit in the Data Science team, reporting to the Head of Data Science. You’ll work closely with Product and Engineering teams to develop predictive models for pricing, recommendations, and other business domains. Together, the team will leverage data to build statistical models that improve commercial decisions. Data Science sits within our Platform function, which builds the technology and shared capabilities that power the loveholidays experience. By creating scalable products, systems and tools, Platform helps the wider organisation move faster, work more independently and deliver better outcomes for customers. Your day-to-day: - Build and improve data science products across pricing, recommendations and other business domains to improve customer experiences and commercial outcomes. - Turn ambiguous business problems into practical data science solutions, from exploration and modelling through to experimentation and evaluation. - Partner with engineers, analysts and product teams to deploy reliable models and embed recommendations into everyday decision-making. - Monitor model performance, investigate changes and continuously improve solutions as customer behaviour and business needs evolve. - Communicate findings clearly, challenge assumptions and help teams make confident, evidence-based decisions. Your skillset: - Strong experience developing and delivering practical machine learning solutions, balancing model performance, business value and long-term maintainability. - Proficiency in Python and SQL, with experience working with large, complex datasets. - A solid grounding in statistics, experimentation and machine learning, including model evaluation and causal thinking. - Experience collaborating with engineers to deploy, monitor and improve models in production. - Strong communication skills, with the ability to explain technical concepts and influence product and commercial decisions. The interview journey: - Intro with a member of our Talent Acquisition team - 30 minutes - 1st Stage: Virtual Interview with Hiring Manager - 45 minutes - 2nd Stage: Two on-site interviews - 50 minutes for a project discussion deepdive with member(s) of the Data Science team - 1 hour technical discussion around a case study with member(s) of the Data Science team - Final-stage: Virtual interview with key stakeholders - 45 minutes Perks of joining us: - Company pension contributions at 5% - Individualised training budget for you to learn on the job and level yourself up - Discounted holidays for you, your family and friends - 25 days of holidays per annum (plus 8 public holidays) increases by 1 day for every second year of service, up to a maximum 30 days per annum - Ability to buy and sell annual leave - Access to our electric vehicle salary sacrifice scheme - Cycle to work scheme, season ticket loan and eye care vouchers   Our commitment to inclusion At loveholidays, we focus on creating an inclusive environment where everyone can contribute, grow and succeed. We value the different perspectives, experiences and ideas each person brings, because they help us work better together, challenge our thinking and make stronger decisions. As we continue to grow and evolve, we want everyone to feel supported and able to do their best work. We’re also committed to making our hiring process accessible, so please let our Talent Acquisition team know if you need any adjustments at any stage.

– Разрабатывать и сопровождать потоковые приложения на Apache Flink: подключать новые домены и типы событий, реализовывать дедупликацию, идемпотентную обработку, обогащение через Redis и маршрутизацию невалидных событий в DLQ; участвовать в восстановлении и дозагрузке данных;

• Оценка целей бизнес задач, бизнес метрик, алгоритмов и методов машинного обучения, имеющихся и необходимых данных. • Опыт 3+ года.