Мы в поиске Data Scientist в команду Operations.

Чем предстоит заниматься:

• Решать задачи по пополнению стока, оптимизации хранения и умному управлению capacity интервалов доставки;
• Предсказывать проблемы складского оборудования;
• Развивать модели предсказания брака;
• Проводить исследования и запускать пилоты для мультискладского управления запасами, оптимизации хранения и комплектации заказов.

Стэк технологий:Big data (Hadoop, PySpark, Hive), Python, Catboost, Airflow, Docker, SQL, PyTorch.

Почему у нас классно:

• Хорошо выстроенные процессы: квартальное планирование по методологии OKR, двухнедельные спринты, регулярные стендапы и проектные встречи для синхронизации.
• Сильная команда middle и senior специалистов, развитое DS-сообщество, где есть возможность обмениваться знаниями на внутренних митапах
• У нас представлен полный жизненный цикл разработки data-driven продуктов с применением ML — от идеи и генерации гипотез до запуска АБ тестов. В части разработки онлайн-сервисов и деплоя моделей нам помогает команда инженеров.

Мы ожидаем:

• Опыт в области анализа данных и машинного обучения (от 2 лет);
• Опыт работы с SQL, Hadoop, Hive, Spark;
• Владение Python, Linux, методами работы с большими данными;
• Опыт работы как минимум с 2 ML библиотеками: Scikit-learn, CatBoost/XGBoost, PyTorch, Spark ML;
• Знания теории вероятностей и математической статистики;
• Знания в области машинного обучения, прогнозного моделирования и методов статистического анализа;
• Знание алгоритмов и структур данных;
• Высшее образование в области прикладной математики, информационных технологий, информатики и т.п;
• Английский язык на уровне технического чтения.

Как мы работаем:

• Пишем на Python 3.6+ и PySpark 3.0;
• Для ресерча доступны два сервера (80 cores, 650Gb RAM), на которых развернут JupyrerHub и есть доступ к Hadoop-кластеру;
• Код с логикой ML-пайплайнов упаковываем в Docker и выкатываем, используя CI/CD-инструменты с запуском code style проверок и тестов;
• Используем Airflow для управления ML-пайплайнами и запуском их по расписанию;
• В командах есть культура code review как для изменений по части продакшен-пайплайнов, так и для ресерч-задач;
• Регулярно проводим командные брейнштормы с целью генерации новых идей по развитию наших data-driven продуктов;
• В компании внедрена культура принятия решений на основании данных и все изменения тестируем через АБ-эксперименты.