Менеджер проекта

• Разработка детальных планов реализации проектов: декомпозиция задач, распределение ресурсов, определение критического пути;
• Контроль соблюдения сроков, бюджета и качества результатов по всем активным проектам;
• Организация и ведение операционной деятельности команды: дейли-митинги, спринт-планирования, ретроспективы, проведение демо для заказчика;
• Постановка задач ML-инженерам, Data Scientists и DevOps-специалистам; контроль качества и сроков исполнения;
• Сбор и формализация бизнес-требований, перевод бизнес-проблем в технические задачи с определением метрик эффекта и критериев приёмки;
• Управление ожиданиями стейкхолдеров: регулярные статус-отчёты, презентации результатов, обоснование технических решений;
• Организация процессов тестирования, валидации и мониторинга ML-моделей в продуктовой среде; защита метрик качества перед заказчиком;
• Ведение проектной документации в соответствии с принятыми стандартами и регламентами компании.

• 7+ лет общего опыта в IT -проектах, из них не менее 3 лет — в управлении проектами с применением AI/ML (LLM/NLP, NLP, CV или оптимизационное моделирование);
• Подтверждённый опыт управления кросс-функциональными командами;
• Опыт ведения переговоров с корпоративными заказчиками и защиты результатов проектов;
• Полный цикл управления проектом: планирование, постановка задач, контроль сроков, бюджета и качества;
• Умение переводить бизнес-проблемы в технические задачи: формулировка AI гипотез, определение метрик успеха, критерии приёмки;
• Опыт оценки трудозатрат для комплексных AI-проектов, включая работы по разметке данных, обучению моделей и MLOps-инфраструктуре;
• Управление рисками и изменениями: выявление, оценка, приоритизация, разработка планов митигации;
• Инструменты управления: Jira, Confluence или аналоги для трекинга задач, ведения документации и управления бэклогом;
• Понимание полного жизненного цикла ML-проекта: сбор данных, разметка, обучение, валидация, деплой, мониторинг;
• Понимание принципов работы LLM, GenAI, RAG и агентных систем — на уровне, достаточном для оценки рисков и постановки задач команде;
• Понимание принципов MLOps: CI/CD для моделей, версионирование данных, автоматизация пайплайнов.

Будет плюсом:

• Опыт внедрения AI-решений в регулируемых отраслях (нефтегаз, финансы, государственный сектор);
• Понимание архитектуры данных: хранилища данных, data pipelines, feature store;
• Опыт формирования и масштабирования AI-команд;
• Базовые знания SQL для самостоятельной работы с данными и понимания задач команды.