Обязанности:

Сбор, очистка, разметка и предобработка данных (табличные, текстовые источники).
Разведочный анализ данных (EDA), формирование и проверка гипотез, feature engineering.
Обучение, валидация и оценка качества классических ML-моделей (регрессия, классификация, кластеризация).
Разработка и интеграция LLM/GenAI-решений: RAG-пайплайны, работа с эмбеддингами и векторными БД, промпт-инжиниринг.
Прототипирование AI-сервисов и их упаковка в API-эндпоинты.
Написание чистого воспроизводимого кода, ведение экспериментов и документации.

Требования:

Уверенное владение Python и профильными библиотеками: pandas, NumPy, scikit-learn.
Знание основ машинного обучения: типы задач, метрики качества, переобучение/недообучение, кросс-валидация.
Понимание математической базы: линейная алгебра, теория вероятностей, статистика.
Знание SQL и умение работать с реляционными базами данных.
Базовое понимание работы LLM: токенизация, эмбеддинги, принцип RAG, основы промпт-инжиниринга.
Опыт работы с API LLM-провайдеров (OpenAI, Anthropic и аналоги) или фреймворками (LangChain, LlamaIndex) — хотя бы на уровне пет-проектов.
Навыки работы с Git и понимание принципов совместной разработки.
Аналитическое мышление, внимательность к деталям, умение доводить задачу до результата.
Знание языков: Русский, Казахский, Английский.
Желательно Знакомство с DL-фреймворками (PyTorch, TensorFlow) и нейросетевыми архитектурами (трансформеры).
Опыт визуализации данных и построения дашбордов (matplotlib/plotly, BI-инструменты).
Профильные сертификаты: специализации по ML/DL (Coursera, DeepLearning.AI), облачные сертификаты (AWS ML, Google Cloud ML) и аналогичные.
Публичное портфолио: GitHub, Kaggle, пет-проекты, участие в соревнованиях/хакатонах. От 0 до 1–2 лет коммерческого опыта в Data Science / ML.
Уверенное владение ПК.

Условия:

График работы: с 09:00 - 18:30 ч.
Мед.страхование
Развозка

Необходимые степени образования

• Бакалавр