Amarcon

Чем предстоит заниматься Мы прогнозируем спрос. Звучит просто, но на деле у нас две модели, и обе капризнее, чем кажется: Краткосрочная — чтобы полки в магазинах не превращались в минималистичные инсталляции. Долгосрочная — чтобы распределительные центры пополнялись вовремя, а не по принципу «авось доедет». ~70% времени — честная ML-разработка: код, ресёрч, эксперименты, борьба с утечкой данных и прочие радости. ~30% времени — презентации, синки, работа с требованиями и попытки объяснить бизнесу, почему модель не может предсказать чёрный лебедь за квартал до его прилёта. Что мы ждём от тебя Опыт в DS/ML от 2 лет — и желательно не только на Kaggle (хотя мы уважаем). Умение оценивать сроки реалистично. «Сделаю за спринт» — это не про модель, которая ещё даже не сконвергировалась. Прагматизм. Нам нужны рабочие решения в проде, а не SOTA-архитектура, которую невозможно заинференсить за адекватное время. Идеальная модель — та, которая приносит деньги, а не та, у которой AUC на 0.003 выше. Ответственность. Доводить проекты до конца. Бросить модель на стадии model.fit() — не наш метод. Python, SQL, PySpark — на уверенном уровне: ETL-пайплайны для больших данных: читаем, трансформируем, агрегируем, пишем — и не роняем кластер. Оптимизация Spark-запросов: партиционирование, кэширование, broadcast-джойны — ты знаешь, почему repartition() не всегда друг. ML-фреймворки: Scikit-learn, TensorFlow или PyTorch — в зависимости от задачи и настроения данных. Работа с данными: обработка, анализ, feature engineering. Ты понимаешь, что garbage in = garbage out, и не винишь в этом модель. Командность. Умение общаться, слышать коллег и не устраивать холивары на код-ревью (ну, или хотя бы делать это конструктивно). Будет большим плюсом Опыт продакшн-разработки. Не только notebook.ipynb, но и пайплайны, которые живут без твоего присмотра и не падают в 3 ночи. Понимание бизнес-процессов. Ты знаешь, что происходит между df.head() и реальной полкой в магазине. ML в PySpark: Spark MLlib для распределённого обучения — потому что fit() на одной ноде уже не тянет. PySpark Pandas UDFs — чтобы применить модель к большим данным и не ждать результата до следующего квартала. О проекте Прогнозирование спроса для пополнения магазинов и складов. Реальный ритейл, реальные данные, реальный импакт — если модель ошибается, это видно не в метриках, а на полках.

Ключевая миссия роли Миссия — управлять бенчем как ресурсом и закрывать сложные IT-вакансии (точечно). Что делать: Обновлять статусы людей на бенче каждые 1–2 недели. Анализировать бенч и потребности продаж, запускать проактивный поиск. Переупаковывать резюме под продажу клиентам. Проводить глубокий скрининг, передавать лиду только самыых релевантных. Оценивать не только скилы, но и стрессоустойчивость, коммуникабельность. Требования: Опыт закрытия сложных Middle/Senior+ позиций. Знание стеков (Java, Python, JavaScript/React, .Net, QA/AQA, DevOps, Data). Умение проводить техскрининг без лида. Опыт в аутстаффе - обязателен. Понимание T&M, юр. нюансов (плюс). Софты: Аналитический склад ума (считать и прогнозировать). Стрессоустойчивость, готовность к срывам проектов. Навык продать аутстафф-модель кандидату. Самоорганизация и расстановка приоритетов. Плюсом: свой пул кандидатов. Условия: Удалённый формат. Для желающих - уютный офис в Новосибирске. Официальное трудоустройство.