Если информация в вакансии не соответствует действительности, или эта вакансия является мошенничеством, сообщите, пожалуйста, модератору, используя кнопку . Спасибо.
Уровень зарплаты: з.п. не указана
Требуемый опыт работы: Не указан
Вакансия: Ведущий исследователь данных
Описание вакансии
Обязанности:
Создавать и внедрять программно-аппаратных комплексов в части Data science;
Лидировать, управлять и занимать роль играющего тренера в команде Data Science;
Быть в курсе новейших достижений в области ML и CV;
Определять и внедрять лучшие практики и технологии. Разрабатывать, внедрять и контролировать технические стандарты, общие практики разработки, документирования и тестирования. Тестировать в наших задачах SOTA решения и прикручивать их в прод.;
Декомпозировать и описывать задачи;
При необходимости писать код, участвовать в code review;
Отвечать за команду разработки, нанимать и адаптировать, придумывать и улучшать процессы разработки в распределенной команде, в том числе планировать и проводить командные мероприятия. Участвовать в оценке работы и развитии существующих сотрудников;
Повысить прозрачность, предсказуемость и динамику скорости и надежности разработки;
Организовать процесс масштабирования и обмена знаниями;
Общаться с другими командами проекта, участвовать в обсуждении требований и решении проблем;
Участвовать в формировании технической политики компании, прорабатывать технические решения для продуктового развития.
Требования:
Опыт управления командой разработки не менее 2 лет;
Умение выстраивать командную работу, нацеленную на результат, в том числе и с удаленными сотрудниками;
Развитые soft skills;
Понимать базовые принципы и фреймворки управления командой;
Самостоятельность, проактивность и ответственность;
Умение доводить проекты до конца;
Отличные технические компетенции и опыт в задачах object detection, object tracking, segmentation, применении классического CV;
Успешный бизнес-опыт внедрения решений в области компьютерного зрения;
Знания в области линейной алгебры, математической статистики, комбинаторики и теории вероятности;
Понимание принципов работы алгоритмов машинного обучения (линейная регрессия, логистическая регрессия, деревья решений, случайный лес, градиентный бустинг, нейронные сети и др.);