Senior Data Scientist
Удаленно / Офис / Гибрид в Москве, Санкт-Петербурге и Новосибирске

Предстоит: NLP задачи как в виде обучения моделей, так и в виде разработки вспомогательных сущностей на python; Решение задач машинного обучения и написания кода для нагруженных сервисов на Python…. Узнать подробнее 🔵

Что выбрать: работу в академической среде или в бигтехе?

Первое о чем нужно знать: поиск работы в исследовательской лаборатории — не то же самое, что в стартапе, а поиск работы в стартапе — не то же самое, что в бигтехе. При этом список обязанностей также будет различаться. Что же тогда нужно знать, чтобы выбрать место работы? Вот основные различия между работы в лаборатории, стартапе и бигтехе.

1️⃣ Стартап

Здесь один человек нередко совмещает несколько ролей (например, дата-аналитик, MLOps и ML-инженер). Это идеальное место, если хотите стать гибким специалистом. Плюс — обычно меньше бюрократии.

Минусы:
➖ Менее стабильная работа (в 2021 году Гарвард выяснил, что ⅔ стартапов не приносят прибыли инвесторам, а в 2024-м Stripe подтвердил, что 90% стартапов терпят неудачу).
➖ Зарплаты обычно ниже, чем в крупных компаниях (если только вы не работаете в OpenAI или Anthropic).

2️⃣ Работа в бигтехе

В крупных компаниях работа стабильная и структурированная: устоявшиеся бизнес-модели, проверенные инженерные практики и ресурсы для исследований. Зарплаты выше, чем в лабораториях или стартапах, плюс компенсации и льготы.

Минусы:
Бюрократия и узкая специализация. В стартапах или лабораториях можно переключаться между областями, а в бигтехе вы, скорее всего, будете работать в одном направлении. Вы, конечно, можете перейти с одного отдела в другой, но перевод между отделами занимает время.

3️⃣ Работа в лаборатории, университете

Главный плюс академической среды — свобода выбора. Никто не ждёт от вас коммерческой выгоды, и вы можете сами выбирать направления исследований.

Но за свободу приходится платить:
➖ Зарплаты ниже, чем в стартапах.
➖ Дополнительная нагрузка в виде преподавания.

Data Engineer
Офис / Гибрид в Владивостоке

Предстоит: Участие в формировании модели данных; Проектирование и разработка витрины и потоков данных на основе потребностей бизнес-пользователей; Участие в проектах по развитию Data Platform…. Узнать подробнее 🔵

Подборка открытых вакансий 🔵

Middle Data Scientist в Спортмастер
Удаленно / Офис / Гибрид в Москве

Middle/Senior ML Engineer в Wildberries
Удаленно / Офис / Гибрид в Москве

Data Analyst в Автомакон
От 255.000₽
Удаленно

Middle/Senior Data Scientist в X5 Tech
Офис

Middle/Senior Data Engineer в VK Team
Офис / Гибрид в Москве

ML Engineer в Яндекс
Офис в Москве

Junior Data Analyst в МТС
Офис в Москве

ML Engineer/Data Scientist in Adapty
To 7.500$
Remote

What To Do: Take ownership of your models, guiding them from initial research to full deployment in production, and ensuring they continue to deliver value over time; Build and improve models to predict customer revenue and lifetime value (LTV) for mobile apps, helping our customers make better business decisions..... find out more 🔵

Нашли кладезь по LLM — The Ultimate Guide to Fine-Tuning LLMs from Basics to Breakthroughs, внутри все самое необходимое:

➖ Эволюция LLM – от классических NLP-моделей до современных AI-гигантов
➖ 7-этапный процесс фатюнинга – от сбора данных до деплоя модели
➖ Методы supervised, unsupervised, instruction-based и их применение
➖ Оптимизация производительности – LoRA, Half Fine-Tuning, PPO, DPO и другие техники
➖ Продвинутые подходы – MoE, мультимодальные LLM, обработка аудио и речи
➖ Развертывание в продакшн – мониторинг, масштабирование, работа с облачными платформами

Middle/Senior Prompt Engineer
Удаленно / Офис / Гибрид в Москве, Краснодаре, Иннополисе

Предстоит:Подбор и тестирование промптов для больших языковых моделей (LLM); Настройка поведения модели через примеры, инструкции и контекст; Проверка качества ответов: вручную и через метрики…. Узнать подробнее 🔵

Рекрутеры о техническом интервью на должность ML-инженера

Нашли блог рекрутера, который провёл десятки интервью. В своём блоге HR рассказал, на что обращает внимание на техническом собеседовании, а также привёл примеры часто задаваемых вопросов:

1️⃣ Техническое задание
На позицию ML-инженера кандидатам могут дать такие задания:
➖ Реализовать и запустить конечную точку вывода, включая проверку ввода/вывода, логирование, мониторинг и функцию для обновления состояния модели.
➖ Создать конвейер обработки данных: сначала в пакетном режиме, а затем адаптировать его для потоковой передачи.

Но успешное выполнение — лишь часть оценки. Важнее как кандидат решает задачу:
➖ Делит ли проблему на части?
➖ Пишет ли чистый, читаемый и поддерживаемый код?
➖ Учитывает ли пограничные случаи?
➖ Как реагирует на обратную связь?

2️⃣ Грамотность при работе с данными
Сильные кандидаты всегда проверяют данные на:
- Пропущенные значения,
- Выбросы,
- Несоответствия.

Они умеют очищать и предобрабатывать данные, а также отслеживают их качество и отклонения не только на старте, но и в процессе работы.

При это, их профессионализм выходит за рамки SQL и базовой статистики. Хорошие специалисты задаются вопросами:
➖ Не дублируются или не удаляются ли строки при JOIN таблиц?
➖ Не упускаем ли важные паттерны, фокусируясь только на среднем и медиане (например, парадокс Симпсона)?

Поэтому рекрутеры так любят задавать следующие вопросы:
➖ Как вы обрабатывали данные? С какими проблемами столкнулись и как их решили?
➖ Какая сводная статистика оказалась misleading? Какие данные были полезнее?
➖ Какая ваша визуализация была самой информативной и почему? Какая — наименее полезной?

3️⃣ Контроль поведения моделей
ML-инженеры должны уметь создавать валидаторы, чтобы согласовывать работу модели с бизнес-требованиями.

Поэтому будьте готовы, что вам зададут следующие вопросы:
- Какие неожиданные/предвзятые результаты вы наблюдали? Как с ними справлялись?
- Какие ограничения или политики вы применяете для соответствия модели нуждам пользователя?
- Как вы смягчаете предвзятость модели, если обнаруживаете её?

4️⃣ Базовое понимание оценки моделей
ML — эмпирическая дисциплина. Даже если инженер не обучает модели, он должен уметь их оценивать — будь то дерево решений, рекомендательная система или LLM-API.

Возможные вопросы:
➖ Как вы измеряли эффективность модели со временем, особенно после дообучения?
➖ Что делали, когда метрики выходили за пороговые значения?
➖ Как собирали данные для первичной оценки и строили систему мониторинга?

Подборка открытых вакансий 🔵

Junior/Middle Data Scientist в Иннотех
Удаленно / Офис / Гибрид в Нижнем Новгороде

Middle Data Analyst в МТС
Офис в Москве

Middle+/Senior ML разработчик в Naumen
Удаленно

Senior Data Analyst в Gravity Field
Офис / Гибрид

Senior Data Scientist в Магнит Tech
Удаленно / Офис / Гибрид в Москве, Краснодаре, Иннополисе

Лидером в гонке найма специалистов в области ИИ становится Amazon

Удивительно, но как бы ни была на слуху компания Meta в последнее время, но по данным Jobright Amazon значительно опережает конкурентов по количеству открытых вакансий в сфере ИИ: у нее целых 2898 открытых вакансий. Это более чем в три раза (!) превышает показатели ближайшего соперника — Meta.

Удивительно то, что хотя среди рекордсменов по найму есть Google, Microsoft, xAI и другие известные игроки, в список не попали OpenAI, Anthropic и NVIDIA. Эксперты выделяют следующие возможные причины:

➖Компании предпочитают писать напрямую ведущим исследователям (особенно это касается OpenAI и Anthropic) или встречать кандидатов на конференциях и в академической среде;

➖Некоторые компании нанимают меньше, но платят больше;

➖Временное затишье из-за ожидания нового раунда финансирования или запуска продуктов;

➖Найм через аутсорс: игроки рынка могут отдавать рекрутинг на аутсорс, избегая публичных сервисов.

Также по данным Jobright выяснилось что, в топ-5 самых привлекательных компаний для работы в сфере ИИ входят: Scale AI, Adobe, xAI, Meta и ByteDance.

ML-engineer (GigaChat Data Alignment) в Сбер
Офис в Москве

Предстоит: подготовка данных для обучения и тестирования моделей; поиск точек роста, узких мест, нахождение путей улучшения качества моделей за счет данных; предобработка, фильтрация и сегментация данных…. Узнать подробнее 🔵

Подготовка к собеседованию на должность Robotics Engineer 💼

Если вы давно раздумывали начать создавать роботов, таких как Optimus или Reachy Mini, то это знак! А чтобы подготовиться к предстоящим собеседованиям, ловите подробный план подготовки:

1️⃣ Основы робототехники и программирование

День 1-2: Погрузитесь в основы робототехники — кинематику, динамику и принципы механического проектирования. Без этого фундамента дальше двигаться будет очень сложно.

День 3-4: Освойте ключевые алгоритмы программирования для робототехники. Разберитесь, как код управляет "железом" и какие структуры данных чаще всего используются.

День 5: Разберитесь в системах управления и работе датчиков (LIDAR, камеры, IMU). Поймите, как робот воспринимает мир и как эти данные обрабатываются.

День 6: Практика! Если есть возможность — соберите простого робота или запустите симуляцию (например, в ROS или V-REP). Теория без практики быстро забывается.

Совет: Первая неделя — самая важная. Не просто читайте, а сразу пробуйте применять знания на практике.

2️⃣ Алгоритмы управления и методы интеграции

День 1-2:

Разберитесь с продвинутыми концепциями — обработкой в реальном времени, многопоточностью и взаимодействием с аппаратной частью.

День 3:

Углубитесь в системы управления: PID-контроллеры, пространство состояний, адаптивные методы.

День 4:

Попробуйте настроить алгоритмы управления в симуляторе. Оптимизируйте параметры для лучшей производительности.

День 5:

Поработайте с сенсорной интеграцией — как объединять данные с разных датчиков для точного восприятия среды.

День 6:

Создайте простую симуляцию, где робот ориентируется в пространстве, используя обратную связь от датчиков.

День 7:

Проанализируйте свой прогресс и потренируйтесь отвечать на технические вопросы по алгоритмам и системам управления.

Фокус: Не просто заучивайте, а понимайте, почему одни методы работают лучше других.

3️⃣ Продвинутая робототехника: AI, SLAM и проектирование систем

День 1:

Разберитесь в машинном зрении, SLAM (одновременная локализация и картографирование) и автономности роботов.

День 2:

Изучите, как ИИ интегрируется в робототехнику — deep learning для распознавания объектов и принятия решений.

День 3:

Поймите принципы проектирования робосистем: модульность, масштабируемость, отказоустойчивость.

День 4-5:

Проведите проектные сессии на доске: если есть знакомые роботехники — обсудите с ними выбор датчиков, алгоритмов и архитектур. Учитесь аргументировать свои решения.

День 6:

Сделайте мини-проект, где внедрите методы ИИ в роботизированное приложение.

День 7:

Подведите итоги. Посмотрите, где вам еще не достает знаний. Но также попробуйте провести мок-интервью.

Совет: Тренируйтесь объяснять сложные концепции просто — это ценится на собеседованиях.

4️⃣ Прокачка soft skills и поведенческих навыков

День 1:

Соберите портфолио. Готовьтесь рассказывать о своих проектах: какие задачи решали, с какими сложностями столкнулись и как их преодолели.

День 2:

Отработайте метод STAR (Ситуация – Задача – Действие – Результат) для описания своего опыта.

День 3:

Запишите свои ответы на типовые вопросы. Найдите слабые места и доработайте их.

День 4:

Проведите пробное собеседование (техническое + поведенческое).

День 5:

Получите фидбек от коллег или менторов и улучшите свои ответы.

День 6:

Тренируйтесь объяснять свой подход к решению задач, интеграции систем и отладке.

День 7:

Подведите итог и при необходимости повторите этот план еще раз.

Совет: Уверенность и четкость в ответах — половина успеха. Говорите так, чтобы даже неспециалист понял суть. Но не забываем, что умение говорить без должных знаний вам не поможет.

Data Engineers: кормим, чистим, масштабируем. Все, чтобы модели были с хорошими данными.

AI Engineers: смотрите, мы придумали еще одну модель очень похожую на трансформер.

😭

ИИ увеличивает время разработки ПО на 19%

По данным исследования Metr, опытным программистам требуется на 19% больше времени на разработку ПО при использовании инструментов ИИ.

Исследователи провели эксперимент с участием 16 разработчиков (отбирали тех, у кого больше 22 тысяч звёзд и свыше миллиона строк кода в открытых репозиториях). Им дали около 250 задач: исправление ошибок, реализацию функций и рефакторинг — в общем, обычные рабочие задания.

Когда разработчики могли применять ИИ-инструменты, они тратили на решение задач на 19% больше времени. Это значительное замедление противоречит ожиданиям самих программистов и прогнозам экспертов.

Разрыв между восприятием и реальностью впечатляет: разработчики ожидали, что ИИ ускорит их работу на 24%, и даже после эксперимента продолжали верить, что он помог им на 20%.

Почему же так вышло? Среди возможных причин:
➖ Разработчики слишком хорошо знают свою работу (средний опыт 5 лет). Некоторым проще написать код вручную, чем использовать ИИ.
➖ Они считают, что ИИ хуже справляется с большими и сложными системами (в среднем репозиториям 10 лет и от 1 млн. строк кода).
➖ Низкая надёжность. Около 9% времени ушло на проверку кода, сгенерированного ИИ.

Middle/Senior ML-Engineer
Удаленно / Офис / Гибрид в Москве, Санкт-Петербурге, Екатеринбурге

Предстоит: Настройка регулярного мониторинга drift'ов данных и целевых переменных; Разработка скриптов для сверки витрин по статистическим метрикам; Внедрение Deepchecks / Evidently в Airflow-пайплайн DQ-инструмент…. Узнать подробнее 🔵

Курс «Машинное обучение в биологии и медицине» — старт 1 октября!
Хочешь разобраться в ML с нуля на примерах из биологии, медицины и биоинформатики? Этот курс создан для тебя! 💻

В программе — максимум практики и разборов реальных кейсов:
✔️ Линейная и логистическая регрессия, классификация и кластеризация
✔️ Градиентный бустинг, случайный лес, SVM, kNN
✔️ Современные методы понижения размерности: PCA, t-SNE, UMAP
✔️ Погружение в PyTorch и нейронные сети — от простых моделей до сверточных архитектур
✔️ Работа с омиксными и медицинскими изображениями, DICOM, autoencoders, augmentation
✔️ Интеграция мультиомиксных данных, best practices для биоинформатиков
✔️ Большой блок Computer Vision в биомедицине: сегментация, классификация, timm, smp
✔️ Практика в групповых проектах
✔️ Финальное kaggle style -соревнование

‼️Требуются знания Python, в том числе библиотек numpy и pandas.

🖊 За лучший доклад на Форуме OpenBio-2025 — бесплатное место на курсе! Подавай тезисы до 1 августа и получи шанс учиться бесплатно.

📆 Даты курса: 1 октября — 8 февраля

📍 Курс "Машинное обучение в биологии и биомедицине" | OpenBio.Edu — подписывайтесь! ➡️

Прошла только половина 2025 года, а эксперты уже насчитали около 100 тысяч увольнений в таких крупных компаниях, как Intel, Microsoft и других.

➡️ Intel объявила о сокращении 24 000 рабочих мест и планирует уволить 75 000 сотрудников к концу года.
Причина: падение продаж процессоров вынудило компанию изменить бизнес-стратегию и перестроить модель.

➡️ Microsoft сократила 15 000 сотрудников, затронув подразделения облачных технологий, игрового и аппаратного обеспечения.
Причина: рекордные инвестиции в ИИ потребовали снижения операционных расходов.

➡️ Meta, Google, Amazon и Cisco также увольняют тысячи сотрудников, перераспределяя ресурсы на разработку ИИ-моделей.

➡️ Несмотря на очевидную причину — гонку за первенство в ИИ, эксперты выделяют еще одну причину массовых увольнений — стабилизацию рынка после ковидного бума, когда компании массово нанимали сотрудников.

Подборка открытых вакансий 🔵

Junior Data Analyst в МТС
Офис в Москве

Middle Data Scientist в Точка
До 360.000₽
Удаленно / Офис / Гибрид

Middle Data Engineer в Beeline
Офис / Гибрид в Москве

Middle Data Science в Иннотех
Удаленно / Офис / Гибрид в Рязани

Middle/Senior Data Analyst в Авиасейлс
Удаленно

Senior ML-инженер / MLops в Альфа Банк
Офис / Гибрид в Москве