Junior data scientist, Департамент ИИ и разработки

Обязанности:

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.

Требования:

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.

Знание языков:

Казахский, Русский — свободный.

Английский — на уровне чтения технической документации, статей и работы с англоязычными библиотеками (Intermediate / B1–B2 и выше).

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.

От 0 до 1–2 лет коммерческого опыта в Data Science / ML.

Уверенное владение ПК.

Рассматриваются недавние…