Обязанности:
О компании Полигонатор — быстрорастущая компания, специализирующаяся на создании инновационных тренажёров для различных предприятий. Наши решения охватывают широкий спектр: классические обучающие комплексы, интерактивные среды для отработки управления техникой в симуляциях с реалистичной физикой и иммерсивные VR-тренажёры. Мы создаём полноценное ПО (от проектирования до внедрения) и строим продукты с внедрением ИИ — от аналитики и прогнозных моделей до LLM-приложений и исследовательских прототипов. С 2016 года реализовали более 40 проектов. В работе используем Unreal Engine 5 для создания детализированных и реалистичных виртуальных сред. О роли Мы ищем Data Scientist с опытом в Computer Vision, который умеет превращать бизнес-задачу в техническую постановку, строить прогнозные и CV-модели и проверять гипотезы статистически строго. Вы будете работать с данными тренажёров и симуляций: анализировать поведение пользователей, обрабатывать изображения и видео с камер, строить модели детекции и сегментации, проектировать и анализировать A/B-эксперименты. Роль — на стыке аналитики, классического ML, компьютерного зрения и продуктового мышления. Уровень: Middle / Middle+Опыт: 1–3 года коммерческой работы в Data Science / аналитике данных, включая задачи Computer VisionФормат: офис, г. Таганрог, ул. Котлостроительная, 2-6; график 5/2, 10:00–18:00 Что вы будете делать Переводить бизнес-задачи в техническую постановку: определять целевую метрику, данные, критерии успеха. Строить прогнозные модели: регрессия, классификация, ансамбли (XGBoost / LightGBM / CatBoost), кластеризация, PCA. Решать задачи Computer Vision: классификация изображений, детекция объектов, сегментация, трекинг, обработка видео с камер и VR-устройств. Заниматься feature engineering: обработка пропусков, выбросов, категориальных признаков; создание признаков из бизнес-логики и визуальных данных. Проектировать и анализировать A/B-эксперименты: расчёт размера выборки, контроль ошибок I/II рода, интерпретация результатов. Проводить статистический вывод: проверка гипотез, p-value, доверительные интервалы. Работать с продуктовыми метриками: retention, LTV, конверсия. Готовить аналитические отчёты и дашборды, объяснять результаты нетехническим стейкхолдерам. Участвовать в планировании задач и архитектуры аналитических решений, предлагать технические подходы. Работать в команде: ветки, код-ревью, CI/CD. Требования Инженерная база Уверенный Python: чистый, тестируемый, воспроизводимый код (type hints, модули, venv). Git и культура работы с ветками/ревью; понимание CI-процессов на базовом уровне. PyTest — написание тестов для функций обработки данных и моделей. Docker — упаковка окружения и аналитических сервисов. SQL — уверенные запросы: JOIN, агрегации, оконные функции, подзапросы, CTE. Английский — чтение документации и научных статей. Математическая база Линейная алгебра, теория вероятностей, математическая статистика. Понимание метрик качества и принципов валидации моделей (train/val/test, кросс-валидация, стратификация). Понимание переобучения, утечки данных (data leakage) и методов борьбы с ними. Статистический вывод: проверка гипотез, p-value, доверительные интервалы. Дизайн A/B-экспериментов: расчёт размера выборки, контроль ошибок I/II рода, анализ результатов. Классический ML Регрессия, классификация — уверенное понимание постановки, метрик, диагностики. Ансамбли: XGBoost / LightGBM / CatBoost — практический опыт. Кластеризация, PCA — понимание и практическое применение. Feature engineering: обработка пропусков, выбросов, категориальных признаков; создание признаков из бизнес-логики. Computer Vision Классификация изображений: CNN, transfer learning, аугментации. Детекция объектов: YOLO / Faster R-CNN / SSD — практический опыт. Сегментация: U-Net / Mask R-CNN / SAM — понимание и применение. Трекинг объектов и обработка видео: оптический поток, трекинг по детекциям (SORT / DeepSORT). Работа с изображениями и видео: OpenCV, PIL/Pillow, torchvision. Метрики CV: IoU, mAP, precision/recall по классам, F1. Подготовка данных для CV: разметка, аугментации (Albumentations), балансировка классов, работа с дисбалансом. Продуктовое мышление Понимание продуктовых метрик: retention, LTV, конверсия. Умение переводить бизнес-задачу в техническую постановку. Способность объяснить результат нетехническим стейкхолдерам. Самостоятельность: доведение задачи от постановки до результата без пошагового руководства. Участие в планировании задач и архитектуры аналитических решений: умение предложить структуру витрины данных, выбрать инструменты и обосновать выбор. Инструменты pandas, NumPy — основной инструментарий обработки данных. scikit-learn — построение и валидация моделей (Pipeline, ColumnTransformer, кросс-валидация, метрики). PyTorch — обучение CV-моделей; torchvision. OpenCV, PIL/Pillow — обработка изображений и видео. Albumentations — аугментации. Matplotlib / Seaborn / Plotly — визуализация данных и результатов. XGBoost / LightGBM — градиентный бустинг. SQL, Git. GitLab — основная платформа. Будет плюсом Polars — быстрая обработка больших датафреймов. PySpark — работа с большими данными. MLflow — трекинг экспериментов и версионирование моделей. Airflow — оркестрация пайплайнов данных. Streamlit / Dash — быстрые интерактивные дашборды и прототипы. TensorFlow / Keras — альтернативный фреймворк для CV. Detectron2, MMDetection — фреймворки для детекции и сегментации. Работа с 3D-данными: point clouds, depth maps, стерео-зрение. C/C++, Rust, Go — для инфраструктурных задач. Unreal Engine 5 — понимание среды, в которой работают наши симуляции. Условия ИТ-аккредитация компании. Официальное трудоустройство, полностью «белая» заработная плата. Социальный пакет по ТК РФ. Заработная плата обсуждается индивидуально по итогам собеседования. Адрес: г. Таганрог, ул. Котлостроительная, 2-6. График: 5/2, с 10:00 до 18:00, офисная занятость, удалённо, гибрид. Современный технически оснащённый офис. Возможность участвовать в разработке перспективных AI-продуктов, предлагать и реализовывать собственные технические решения. Дружная команда и комфортная рабочая атмосфера.Похожие вакансии