Data Scientist

В ООО "Цифровые технологии в промышленности" Обязанности: 1. LLM и агенты Разработка агентных систем для решения инженерных задач: работа с технической документацией, регламентами, расчётными методиками Проектирование и внедрение RAG-систем для извлечения знаний из технической документации и внутренних баз данных; Дообучение и адаптация открытых моделей под отраслевую специфику, оценка качества, построение бенчмарков на доменных данных 2. Оптимизация Расстановка скважин и планирование программы бурения Оптимизация логистики: маршрутизация, планирование поставок, управление запасами Оптимизация инфраструктуры и режимов работы объектов Постановка задач как MILP / нелинейных / стохастических, гибридные подходы «оптимизация + ML» 3. Классический ML и предиктивная аналитика Прогнозирование временных рядов: добыча, отказы оборудования, спрос Анализ изображений: интерпретация карт и сейсмических данных, дефектоскопия Видеоаналитика на промышленных объектах — контроль безопасности и технологических операций Требования: Модели, доведённые до продакшена, а не только до ноутбука Опыт в одном из наших направлений (LLM, оптимизация, CV, временные ряды) и готовность освоить смежные Умение самостоятельно декомпозировать задачу от бизнес-формулировки до метрики Фундаментальные знания: Высшее техническое или математическое образование. Вы уверенно ориентируетесь в линейной алгебре, теории вероятностей, математической статистике и методах оптимизации Опыт в ML/DL: Понимаете принципы работы классических алгоритмов и ключевых архитектур нейронных сетей (CNN, RNN, Transformers) Production-ready код: Умеете работать с Git, Docker и консолью Linux. Пишете чистый, тестируемый код (ООП, CI/CD) Базовый MLOps: Docker, CI/CD, версионирование экспериментов Базы данных: Знаете основы SQL и можете самостоятельно получить нужные данные Технологический стек Язык: Python Библиотеки: NumPy, Pandas, Scikit-learn, PyTorch, TensorFlow, Hugging Face Transformers LLM-фреймворки: LangChain, LangGraph, LlamaIndex, Haystack RL-фреймворки: RLlib, Stable Baselines3 и др. Инструменты: Git, Docker, Kubernetes, MLflow, Prometheus, Grafana, SQL Вычисления: собственный GPU-кластер Не обязательно знать всё — важно, чтобы часть стека была вам знакома, а остальное вы были готовы освоить. Будет преимуществом Знания в нефтегазовой отрасли (разработка месторождений, геология) Опыт применения Reinforcement Learning для решения прикладных задач Опыт работы с Kubernetes и облачными платформами Публикации, выступления, менторство Условия: Гибридный формат работы (Невская Ратуша) Срочный трудовой договор с последующей пролонгацией; Возможность быстрого роста для результативных специалистов; Достойную твоего профессионального уровня заработную плату, годовую премию по результатам деятельности, дополнительную материальную мотивацию за особые достижения; Интенсивное обучение на практике, доступ к образовательному контенту ДМС и страхование жизни.