Middle/Senior Data Engineer
Проектная работа на фул-тайм
Удаленно (гражданство РФ, РБ)

Предстоит: Выбор оптимальных инструментов исходя из специфики данных и реализация процессов их хранения, обработки и обслуживания; Поддержка технической и бизнес-команд: обработка заявок на поддержку существующих потоков данных или разработку новых, заведение и контроль исполнения заявок внутренних команд…. Узнать подробнее 🔵

Data Аналитик в Сбер
Офис в Москве

Предстоит: Разрабатывать и тестировать статистические и машинно-обучаемые модели для прогнозирования рисков и доходностей в страховании и инвестициях; Интегрировать лучшие практики и стандарты в области моделирования, повышая точность и надежность прогнозов…. Узнать подробнее 🔵

Кто работает в OpenAI?

Один энтузиаст подготовил подробный анализ сотрудников OpenAI: как быстро растет штат, каких специалистов больше, какое у них образование:

➡️Львиная доля сотрудников (33,9%) — это инженеры, а доля исследователей составляет всего 4,9%.

➡️Среди университетов, где учились сотрудники компании Альтмана, все входят в топ лучших в мире. Самые популярные из них — Стэнфорд, Беркли, Массачусетский технологический институт, Карнеги-Меллон и Гарвард.

➡️Среди инженеров 35,8% получили высшее образование в области компьютерных наук, а 27,7% отдали предпочтение вычислительным наукам. На удивление, всего 3,5% учились непосредственно по направлению ИИ.

https://seo.ai/blog/how-many-people-work-at-openai

Product analyst/Data analyst в WIT
От 3.000€
Удаленно (вне РФ)

Предстоит: Оцифровка, оптимизация, автоматизация бизнес-процессов – воронки продаж, маркетинговая отчетность, каналы привлечения и т. д.; Прикладная бизнес-аналитика на базе сформированных отчетов. Общение с топ-менеджментом в целях развития бизнеса…. Узнать подробнее 🔵

Senior Data Engineer
Офис / Гибрид / Удаленно в Москве (удаленка на территории РФ)

Требования: Опыт работы с Python или Java (Python предпочтительно). Знание библиотек для обработки данных (например, Pandas, NumPy, Apache Spark). Опыт работы с SQL (на уровне продвинутого уровня)…. Узнать подробнее 🔵

Middle DS LLM Engineer
Офис / Гибрид / Удаленно в Москве (удаленка на территории РФ)

Требования: Сильные навыки в Python; Опыт работы с библиотеками для машинного обучения и NLP (например, TensorFlow, PyTorch, Hugging Face Transformers); Глубокое понимание базовых и продвинутых методов машинного обучения (например, линейные модели, решающие деревья, нейронные сети)…. Узнать подробнее 🔵

Новое исследование IT-рынка: массовое сокращение специалистов на фоне их нехватки

➡️ В период с 22 по 25 года 55% айтишников попали под сокращение. В основном увольнения приходились на крупные города, например, в Москве было уволено 56% айтишников.

➡️ Чаще всего увольняли представителей продуктовых команд (61%) и разработчиков (51%).

➡️ Примечательно, что в российской ИТ-отрасли в настоящее время есть некий «дисбаланс между спросом и предложением» в сферах разработки, поддержки, инфраструктуры, кибербезопасности и искусственного интеллекта.

➡️ Например, летом 2025 г. в России было размещено около 44 тыс. соответствующих вакансий. А вот подходящих под них резюме в стране было обновлено в пределах 260 тыс., то есть примерно в пять раз больше.

➡️ Также, заметно замедлился процесс найма. Теперь работодатели «гораздо тщательнее подходят к найму и чаще перераспределяют внутренние ресурсы, чем открывают новые позиции».

Middle+ Data Scientist/Data Engineer в Сбер
Удаленно

Предстоит: Создание и поддержка масштабируемых пайплайнов обработки данных и участие в разработке решений для персонализации ответов клиентам и оценки рисков...Узнать подробнее 🔵

Python-разработчик в Хоббика
От 150.000 до 200.000₽
Удаленно / Гибрид / Офис в Москве

Предстоит: Разработка агентных систем;Работа с Postgres и графовыми БД; Интеграции API; Развертывание решений на собственной инфраструктуре...Узнать подробнее 🔵

Время страшных историй: как HR переиграли опытного ML-щика

Герой этой истории считал себя сильным переговорщиком: играл с офферами крупных компаний, уверенно повышая планку. Но в этот раз жизнь решила преподать ему урок.

История началась с оффера от компании N, создающей вертикальные фермы с компьютерным зрением. Проект звучал идеально: роботы, замкнутые экосистемы, еда будущего. Глава ML оказался учёным-единомышленником, с которым они сразу нашли общий язык. Казалось, это работа мечты.

И тут случилось страшное: пришел оффер в 42.000$ в год против текущих 105.000$.

Герой истории оказался на распутье: с одной стороны интереснейший проект с низком зарплатой, с другой стороны менее привлекательная работа, но с выской зп.

И вот рука уже почти тянется написать "согласен". Он даже убедил себя, что "проживет на дошираке". Но тут на помощь пришел опытный друг, который посоветовал все же поднять планку.

О, чудо, компания "нашла" еще 30.000$, хотя в начале переговор сообщили, что бюджета нет. Но и тут оказалось не все так просто: мл-специалист рассказал, что провел десятки звонков и написал сотни писем ✝️. Несколько раз все висело на волоске.

История закончилась довольно грустно: оффер составил 60 тысяч в год после налогов, да еще и с падением дохода через год и сложностями релокации.

Интересная работа или кошелек? 🎃

ТАСС: средние зарплаты айтишников выросли на 15%

🔷 Помимо роста зарплаты доля вакансий в IT-секторе увеличилась на 7,5% по сравнению с 2024 годом, а средняя оплата труда увеличилась до 146,5 тысяч.

🔷 Медианная зарплата составила 83 тыс. рублей, что на 15,9% выше, чем в прошлом году.

🔷 Если рассматривать зарплаты по регионам, то специалисты в Москве в средне получают 222,8 тысяч, в Чукотском автономном округе - 207,7 тыс., МО - 179,3 тыс., в Санкт-Петербурге - 177,3 тыс. рублей.

🔷 Несмотря на такие положительные показатели, доля резюме в отрасли снизилась на 5,9%.

🔷 Зарплатные предложения в сфере IT в вакансиях, опубликованных по всей России, выросли на 16,7%, а прирост зарплатных ожиданий соискателей составил 8,5%.

Middle/Senior Data Scientist
Офис / Гибрид / Удаленно в Москве, Санкт-Петербурге, Новосибирске (удаленка на территории РФ)

Предстоит: Добыча данных – умные системы для поиска товаров, контактов, описаний и других данных, связанных с компаниями; Поддержка актуальности информации о компаниях – с помощью данных и моделей проводим валидацию существующей информации о компаниях, добываем новую
…. Узнать подробнее 🔵

Разработчик для ML-платформы

Требования: Уверенное знание NextJs, React, PrismaORM, FSD; Опыт в ML(работа с transformers, datasets, pytorch); Среднее-хорошее понимание Docker, Nginx, Redis, Rabbitmq, gRPC, S3 было бы хорошим фактором знакомство с docker-swarm…. Узнать подробнее 🔵

Разбор вопроса с собеседования в Microsoft: Почему в основном используют деревья в качестве базовых алгоритмов в бустинге? Почему не подходят линейная регрессия или SVM?

Первое, что вам может прийти в голову - «Потому что линейные модели не могут аппроксимировать нелинейные зависимости». Тут вы, конечно, будете правы, но такой ответ не покажет глубины знаний, так как нет в этом ответе рассуждений.

Рассмотрим простой алгоритм бустинга:
1️⃣ Обучаем дерево решений
2️⃣ Вычисляем остаточную ошибку
3️⃣ Обучаем следующую модель на этой ошибке
4️⃣ Повторяем шаг 2

По идее, нам необязательно брать в качестве базовой модели - дерево решений, тк всё, что нам нужно, — это остаток, который можно получить из любой модели. Это показывает, что, хотя бустинг часто ассоциируется именно с деревьями, сам алгоритм не зависит от типа базовой модели. В sklearn, например, можно использовать другой базовый алгоритм с AdaBoost.

Так почему же деревья?

Причина проста. Табличные данные — это довольно сложная структура:
- Переменные могут иметь скошенное распределение
- В признаках могут быть содержать Nan
- Разные признаки могут иметь разные масштабы
- Могут встречаться категориальные переменные
- И многое другое.

Использование стандартных алгоритмов в качестве базовых потребует тщательной очистки данных и feature engineering.

Но с деревьями все попроще Их можно просто применить к любому набору данных, и они сразу начнут обучаться (а иногда и переобучаться).

Кроме того, поскольку постоянно добавляем новые модели для аппроксимации остатков, распределение зависимой переменной (в случае регрессии — остатка) постоянно меняется. Тот feature engineering, который был применен на первом шаге бустинга, скорее всего, не будет эффективен на последующих шагах, что потребует дополнительного ручного вмешательства. Что немного неудобно.

Использование же деревьев решает эту проблему, поскольку они способны работать с любыми данными при минимальной feature engineering.

Senior ML Engineer в HighSky
От 5.000 до 9.000$

Предстоит: разрабатывать MVP-решения для задач из различных областей (генерация текста / аудио, сбор данных, извлечение блокчейн данных) 
проектировать и разрабатывать архитектуру решения задач, выбирать подходящие БД и другие инфраструктурные компоненты
…. Узнать подробнее 🔵

Middle/Senior Ai-разработчик
Проектная работа на фултайм (удаленка на территории РФ)

Требования: SQL на уровне вложенных запросов; Желателен опыт работы с LangChain, LangGraph 
…. Узнать подробнее 🔵

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

Требования: Заниматься обработкой данных для обучения; С помощью нейронных сетей дообучать представления текста и изображений для решения задачи матчинга; Много экспериментировать (и с данными, и с моделями, и с архитектурой)…. Узнать подробнее 🔵