Data scientist for GenAI solutions

Описания нет

• Сбор, очистка, разметка и предобработка данных (табличные, текстовые источники).
• Разведочный анализ данных (EDA), формирование и проверка гипотез, feature engineering.
• Обучение, валидация и оценка качества классических ML-моделей (регрессия, классификация, кластеризация).
• Разработка и интеграция LLM/GenAI-решений: RAG-пайплайны, работа с эмбеддингами и векторными БД, промпт-инжиниринг.
• Прототипирование AI-сервисов и их упаковка в API-эндпоинты.
• Написание чистого воспроизводимого кода, ведение экспериментов и документации.

• Уверенное владение Python и профильными библиотеками: pandas, NumPy, scikit-learn.
• Знание основ машинного обучения: типы задач, метрики качества, переобучение/недообучение, кросс-валидация.
• Понимание математической базы: линейная алгебра, теория вероятностей, статистика.
• Знание SQL и умение работать с реляционными базами данных.
• Базовое понимание работы LLM: токенизация, эмбеддинги, принцип RAG, основы промпт-инжиниринга.
• Опыт работы с API LLM-провайдеров (OpenAI, Anthropic и аналоги) или фреймворками (LangChain, LlamaIndex) — хотя бы на уровне пет-проектов.
• Навыки работы с Git и понимание принципов совместной разработки.
• Аналитическое мышление, внимательность к деталям, умение доводить задачу до результата.
• Казахский, Русский — свободный.
• Английский — на уровне чтения технической документации, статей и работы с англоязычными библиотеками (Intermediate / B1–B2 и выше).
• От 0 до 1–2 лет коммерческого опыта в Data Science / ML.
• Уверенное владение ПК.
• Будет плюсом: Желательно Знакомство с DL-фреймворками (PyTorch, TensorFlow) и нейросетевыми архитектурами (трансформеры); Опыт визуализации данных и построения дашбордов (matplotlib/plotly, BI-инструменты); Профильные сертификаты: специализации по ML/DL (Coursera, DeepLearning.AI), облачные сертификаты (AWS ML, Google Cloud ML) и аналогичные; Публичное портфолио: GitHub, Kaggle, пет-проекты, участие в соревнованиях/хакатонах; Рассматриваются недавние выпускники профильных направлений (Computer Science, Data Science, прикладная математика, статистика) с сильными учебными или пет-проектами; Приветствуется опыт стажировок, участие в ML-соревнованиях (Kaggle) или собственные реализованные проекты с использованием ML/LLM

• График работы: с 09:00 - 18:30 ч.
• Мед.страхование
• Развозка