← К каталогу
АР

АРЕАЛ

Ведущий инженер данных

ОфисУровень не указанМосква, Россиявчера
СИГНАЛ JOBRADAR75/100Нормальный сигнал актуальности
ПАСПОРТ ВАКАНСИИ

Что JobRadar наблюдает сейчас

Балл строится только на фактах из источников: свежести подтверждения, возрасте записи и происхождении вакансии. Это не гарантия найма и не оценка работодателя.

Последнее подтверждение12 мин. назад
Впервые замеченавчера
Активные источники1 источник
ПроисхождениеПубличный источник
О ВАКАНСИИ

Описание вакансии

Задачи:

  • Совместно с функциональными заказчиками выявлять и формулировать задачи оптимизации процессов , оценивать потенциал эффекта.
  • Ставить бизнес-задачу, формировать функциональные и технические требования, критерии успеха пилота и методику подтверждения эффекта.
  • Изучать технологические регламенты и ограничения оборудования, учитывать требования промышленной безопасности.
  • Собирать и анализировать технологические данные (АСУ ТП, ЛИМС, MES, архивы): качество данных, аномалии, проверка гипотез. Разрабатывать прогнозные модели, виртуальные анализаторы (soft sensors), модели диагностики и обнаружения аномалий, цифровые двойники узлов.
  • Разрабатывать рекомендательные системы (советчики оператора): оптимизационная постановка, целевые функции, ограничения, объяснимость рекомендаций.
  • Проводить пилоты на установке (базовая линия, A/B-испытания), подтверждать экономический эффект.
  • Совместно с архитектором ИИ выводить решения в эксплуатацию (интеграция с АСУ ТП/MES, интерфейсы операторов, мониторинг, переобучение).
  • Тиражировать решения на предприятия; обеспечивать приживаемость (обучение операторов, обратная связь); поддержка от 2-го уровня.
  • Ставить задачи проектной команде, проводить ревью моделей и кода; вести документацию; регистрировать РИД.

Наши ожидания:

  • Образование: высшее техническое, горное или математическое.
  • Дополнительное образование в области Data Science / машинного обучения приветствуется.
  • Методы ML (бустинг, нейронные сети, временные ряды), рекомендательные системы, оптимизация с ограничениями, MPC / APC, объяснимость (SHAP).
  • Статистика: проверка гипотез, ANOVA, DOE, SPC; методика подтверждения эффекта (базовая линия, A/B).
  • Понимание технологических процессов добычи и обогащения минерального сырья, химических процессов, устройства типичного производства и его ИТ-ландшафта (АСУ ТП, MES, ЛИМС).
  • Понимание процессов закупок, продаж, планирования и данных ERP.
  • Знание оборудования: основное технологическое…

Здесь показан очищенный фрагмент описания из источника. Полные условия и актуальность вакансии проверьте на странице работодателя.

ИсточникHeadHunter / Data Scientist / RU