Полная занятость
Данные по вакансии
Профессия: Программист
График работы: Полный рабочий день
Тип занятости: Полная занятость
Количество рабочих мест: 1
От 0 ₽ До 0 ₽
06-02-2024
Дополнитльная информация о вакансии:
Мы в поисках Senior Data scientist в нашу команду, формат работы удаленный по РФ.О проекте:Мы разрабатываем аналитические сервисы на базе искусственного интеллекта для банковской сферы, страховых компаний, электронной коммерции, ритейла и туризма. Среди разработок — сервисы для оценки рисков, лидогенерация для развития коммерции и бизнеса предприятий, геоаналитика в области туризма и городской среды, а также другие продукты с использованием Big Data.Стек:Spark + Scala - это наше все. В последнее время активно развиваются глубокие модели (Soft Trees, Tabular GAN, Siemese Networks, etc.), примерно поровну PyTorch/TF2Distributed XGBoost/LightGBM, много ансамблируемAirflow/Kubernetes/Docker и серьезный акцент на правильный MLOpsКакие задачи необходимо решать:Cоздание, внедрение и доработка новых глубоких моделей для скоринга, поведенческого моделирования, а также мультимодальных (смс + поведение). По уровню -- начиная от Alfabattle2 и вышеЭксперименты с методами обучения и конденсации глубоких сетей (Graph Convolutional Networks для подавления фрода и тп.)Построение гибридных моделей (аналог Wide&Deep)Тюнинг обучаемых параметров GPT-2* и GPT-3* семейств на новых модальностях, изучение transfer learning в FinTech доменеУлучшение качества существующих моделей (глубоких и обычных)ELT, CI/CD и реализация bullet proof пайплайновАнализ больших данных, нахождение wow инсайтов и красивое изображение их. Мы - это голос данных!
Образование: Не указано
Опыт работы от: 0
Высшее образование, знания в области математики, теории вероятности, мат. статистики
Широкий кругозор в области технологий машинного обучения в целом, знание текущих SOTA архитектур, актуальных архитектур нейронных сетей
Опыт работы с Pytorch, Tensorflow или Mxnet, а также опыт обучения production ready GAN моделей
Будет плюсом опыт участия в профильных конференциях, соревнованиях, опыт решения задач anti fraud с упором на deep модели, наличие публикаций на Arxiv или популярные Github репозитории