data scientist

Описания нет

• Решать сложные алгоритмические и исследовательские задачи с 3D-данными, полигональными сетками и пространственными объектами, разрабатывать поисковые конвейеры
• Проектировать архитектуру ML/DS-сервисов и внедрять готовые решения в инфраструктуру проекта
• Профилировать производительность и снижать вычислительную сложность при работе с 3D-структурами и векторными индексами
• Готовить техническую документацию, фиксировать принятые архитектурные решения и участвовать в приёмочных испытаниях
• Координировать работу подгруппы разработки, разбивать задачи на подзадачи, оценивать трудозатраты и участвовать в планировании спринтов
• Исполнять функции тимлида в периоды его отсутствия
• Проводить проверку кода, контролировать его качество и соблюдение инженерных стандартов
• Наставлять специалистов уровня Junior и Middle, сопровождать их адаптацию и профессиональное развитие

• Подтверждённый опыт внедрения ML/DS-решений в промышленную эксплуатацию, в том числе за пределами прототипов и Jupyter-блокнотов
• Уверенное владение 3D-геометрией и обработкой пространственных данных: полигональными сетками, вокселями, триангуляцией и 2D/3D-объектами; понимание математических основ
• Практические навыки в информационном поиске и задачах с LLM: построение гибридного поиска с dense- и sparse-подходами, включая BM25, работа с эмбеддингами, оценка качества поиска и ответов моделей
• Глубокое понимание используемых технологий и навыки написания надёжного, асинхронного и поддерживаемого кода для промышленной эксплуатации
• Умение переводить бизнес-задачи в технические требования и разбивать их на реализуемые подзадачи
• Навыки работы с Python 3.10+, asyncio, typing, NumPy, SciPy и Pandas
• Знание поисковой и LLM-экосистемы: опыт работы с векторными базами данных, в том числе Qdrant, Milvus, pgvector и Weaviate, построения конвейеров гибридного поиска, sparse-представлениями и переранжированием, например Reciprocal Rank Fusion
• Владение инструментами оценки качества генерации и поиска, например Ragas, TruLens и DeepEval, либо умение разрабатывать собственные метрики
• Навыки бэкенд-разработки и работы с инфраструктурой: FastAPI, микросервисная архитектура, REST, асинхронная обработка, Docker и Linux (Ubuntu)
• Умение применять инструменты профилирования, например cProfile, Scalene и memory_profiler

• Оформление как ИП