Требуется «Data Scientist»

О вакансии

Чем предстоит заниматься

• Решение сложных алгоритмических и исследовательских задач: обработка 3D‑данных, полигональных сеток и пространственных объектов, разработка пайплайнов поиска;
• Проектирование архитектуры ML/DS‑сервисов и внедрение готовых решений в инфраструктуру проекта;
• Профилирование производительности и снижение вычислительной сложности, в том числе при работе с 3D‑структурами и векторными индексами;
• Подготовка технической документации, фиксация принятых архитектурных решений, участие в приёмочных испытаниях;
• Координация работы подгруппы разработки: разбиение задач на подзадачи, оценка трудозатрат, участие в планировании спринтов;
• Исполнение функций тимлида в периоды его отсутствия;
• Проведение Code Review, контроль качества кода и соблюдения принятых engineering‑стандартов;
• Менторинг, сопровождение онбординга и профессиональное развитие специалистов уровня Junior и Middle в команде.

Что нужно для работы

• Подтверждённый опыт внедрения ML/DS‑решений в промышленную эксплуатацию (в т.ч. за пределами прототипов и Jupyter‑блокнотов);
• Уверенное владение 3D‑геометрией и обработкой пространственных данных: работа с полигональными сетками, вокселями, триангуляцией, 2D/3D‑объектами, понимание лежащей в основе математики;
• Практические навыки в Information Retrieval и LLM‑задачах: построение гибридного поиска (сочетание dense‑ и sparse‑подходов, включая BM25), работа с эмбеддингами, применение инструментов для оценки качества поиска и ответов моделей (например, LLM‑evals, retrieval‑метрики);
• Высокий уровень инженерной культуры: глубокое понимание принципов работы используемых технологий, навык написания надёжного, асинхронного и легко поддерживаемого кода для продакшена;
• Опыт координации небольшой команды или технического руководства разработчиками;
• Способность переводить абстрактные бизнес‑задачи в чёткие технические требования и разбивать их на реализуемые подзадачи;
• Навыки работы с Python 3.10+ (в том числе с asyncio и typing), а также с библиотеками NumPy, SciPy, Pandas;
• Знание Search‑ и LLM‑экосистемы: опыт применения векторных баз данных (Qdrant, Milvus, pgvector, Weaviate и другие), построения пайплайнов гибридного поиска (работа с эмбеддингами, sparse‑репрезентациями, методами переранжирования вроде Reciprocal Rank Fusion);
• Владение инструментами оценки качества генерации и поиска LLM‑evals (Ragas, TruLens, DeepEval) либо умение разрабатывать собственные метрики;
• Навыки в backend‑разработке и инфраструктуре: работа с FastAPI (включая микросервисную архитектуру, REST, асинхронную обработку), контейнеризацией приложений и Docker, эксплуатация в среде Linux (Ubuntu);
• Умение применять инструменты профилирования cProfile, Scalene, memory_profiler и аналогичные.