Подборка открытых вакансий 🔵

Стажёр Data Scientist в Ozon
Офис в Москве

Junior MLOps Engineer в Lamoda
Офис / Гибрид в Москве

Junior Data Analyst в Сбер
От 99.700₽
Офис в Ростов-на-Дону

Junior Data Engineer в МТС
Офис в Москве

Senior Data Analyst в Garage Eight
Офис в Санкт-Петербурге

Senior Data Scientist (NLP/LLM) в ЦИАН
Удаленно / Офис / Гибрид в Москве, Санкт-Петербурге и Новосибирске

Data Scientist в Авито
Удаленно / Офис / Гибрид в Москве

Пару советов от HR

В твиттере наткнулись на HR, который провел сотни собеседований с инженерами и написал пару советов, чтобы идеально проходить техническое интервью:

1️⃣ Задавайте уточняющие вопросы

Уточняющие вопросы помогают и нам, и интервьюеру сосредоточиться на важном.

С точки зрения интервьюера, отсутствие уточняющих вопросов часто сигнализирует о том, что кандидат не подходит.

Вот несколько рекомендаций:
➖ Главная цель таких вопросов — устранить недопонимание, путаницу и неясность;
➖ Используйте их, чтобы четко определить функциональные и нефункциональные требования;
➖ Получите ясное представление о масштабе и ограничениях производительности.

2️⃣ Фокусируйтесь на основном дизайне

Времени мало, поэтому не тратьте его на компоненты, не связанные с основной задачей. Пропускайте стандартные элементы, не уникальные для этой проблемы.

Сопротивляйтесь желанию продемонстрировать широту знаний. Не отвлекайтесь на второстепенные детали.

Ваша цель — показать, что вы можете создать качественную систему в сжатые сроки. Дайте интервьюеру повод похвалить вас.

3️⃣ Не оптимизируйте преждевременно

Преждевременная оптимизация — ред флаг 🚩

Оптимизации сложны и требуют веских обоснований. Лишняя сложность отвлекает интервьюера и мешает ему понять общую картину.

Сфокусируйтесь на текущей задаче. Если вас посещают идеи по оптимизации — отложите их. Зафиксируйте их и вернитесь позже, в части углубленного разбора.

4️⃣ Разбор решения — ваш звездный час

Здесь вы можете блеснуть. Покажите, что умеете находить проблемы и предлагать решения с обоснованными компромиссами.

К моменту разбора у вас уже должен быть список потенциальных тем, выявленных на этапе высокоуровневого дизайна.

Ранжируйте их по важности: чем критичнее проблема, тем глубже стоит в нее погрузиться.

Как подходить к каждой теме:

➖

Четко объясните, в чем проблема и почему ее важно решить;

➖

Предложите решения (обычно достаточно двух);

➖

Обсудите компромиссы;

➖

Выберите вариант и аргументируйте его технически.

Middle Data Scientist в Золотое Яблоко
Удаленно / Офис / Гибрид в Екатеринбурге

Предстоит: Построение ML-pipeline; Создание Feature Store; Выстраивание CI/CD процессов для ML модели…. Узнать подробнее 🔵

Коммерсант: Количество IT-вакансий сокращается

➡️ Аналитики HeadHunter выяснили, что с 2022 года число IT-вакансий снизилось: в первом полугодии их было 291 тыс. против 300+ тыс. год назад. Аналитики предполагают, что это связано с оптимизацией бизнеса, включая сокращение дорогих специалистов, и внедрением ИИ, который может сэкономить до 30–50% бюджета. При этом средняя зарплата выросла на 11,4% — до 96,7 тыс. руб.

➡️ Хабр Карьера также сообщает о снижении: за первое полугодие 2025 года IT-вакансий стало на 32% меньше, чем за тот же период в 2024-м. Крупные компании (МТС, VK, Совкомбанк Технологии, Magnit Tech и др.) сократили набор на 20–60%. Возможно, они реже публикуют вакансии именно на Хабр Карьера или ищут несколько специалистов на одну позицию.

➡️ SuperJob приводит менее драматичные цифры: с января по июль 2025 года IT-вакансий стало меньше всего на 3%. За два года общее число предложений упало на 4%, а количество резюме выросло на 15%.

Но есть и исключения:
➖ VK за первое полугодие 2025 года увеличил число вакансий на 18%.
➖ Magnit Tech нанимает на 50% больше сотрудников, чем теряет. При этом число вакансий действительно стало меньше из-за внутренних улучшений.
➖ На текущий момент в Яндексе работает на 16% сотрудников больше, чем в 2024 году.

Однако, совсем без сокращений не обошлось, среди компаний сокративших штат были МТС, Positive Technologies и Сбер.

Интервью с сотрудниками Google DeepMind Robotics 💬

В интервью сотрудники рассказали о своём образовании, опыте работы и о том, как заинтересовались робототехникой, а также дали важный совет для работы в этой области:

«Совет тем, кто хочет попасть в эту сферу: найдите то, что вас по-настоящему увлекает. Сейчас есть множество ресурсов для изучения робототехники, но главное — сохранять мотивацию, даже когда всё идёт не так. Начните с общего проекта, например, мобильного робота с камерами, а затем углубитесь в то, что покажется интереснее.

Лучший пример — трансформеры. Когда я только начинал, многие говорили, что они никогда не приживутся в робототехнике. А сейчас все передовые модели основаны на них. Так что следуйте своей интуиции! Робототехника — потрясающая область, объединяющая множество дисциплин».

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.

😭