Представьте, что вы не просто тренируете модели на игрушечных датасетах, а предсказываете отказ промышленного компрессора за неделю до аварии или рассчитываете оптимальный режим работы печи, который сэкономит миллионы кубометров газа.
Ваши модели будут встраиваться в реальные системы управления заводами, анализировать тысячи датчиков в реальном времени и помогать инженерам принимать решения, которые влияют на безопасность, экологию и экономику.
Вы научитесь не только строить алгоритмы, но и доводить их до продакшна — упаковывать в API, настраивать конвейеры данных и мониторить качество прогнозов на потоке.
Это не стажировка «покрутить Jupyter Notebook». Это шанс ещё до выпуска получить опыт в промышленном AI, MLOps и работе с реальными данными с нефтехимических комбинатов, металлургических производств, ТЭЦ.
Как и в любой работе во время стажировки будет место и скучным, рутиным задачам, но если вас это не отпугивает, то будем рады вашим откликам.
Мы — ИТ‑компания, создающая интеллектуальные системы мониторинга для промышленности. Наши продукты — Axioma (предиктивный контроль выбросов) и Платформа предиктивной диагностики (цифровые двойники оборудования) — уже работают на высокотехнологичных производствах России. И мы ищем стажёра-дата-сайентиста, который поможет нам делать промышленные данные «говорящими», а прогнозы — точными и полезными. Чем предстоит заниматься (под руководством наставника-эксперта)
- Разрабатывать приложения для анализа данных промышленных предприятий (тысячи датчиков, временные ряды, телеметрия).
- Исследовать промышленные данные, проверять гипотезы, строить модели машинного обучения (регрессия, классификация, обнаружение аномалий).
- Участвовать в предпроектной проработке решений: строить прототипы моделей, оценивать достижимость бизнес-результатов.
- Операционализировать модели машинного обучения: строить конвейеры автоматизации обучения (ML pipelines) и исполнения моделей в реальном времени.
- Взаимодействовать с командой аналитики данных и AI, а также со смежными командами разработки и инженерного моделирования.
Кто нам нужен: Студент выпускного курса (бакалавриат / магистратура / специалитет) или выпускник по одному из направлений:
- прикладная математика и физика,
- компьютерные науки / data science,
- вычислительная механика,
- информатика и вычислительная техника (с уклоном в ML).
Базовые требования:
- Средний балл диплома / зачётной книжки — не ниже 4.5.
- Уверенное владение научным стеком Python (pandas, numpy, scikit-learn, matplotlib/seaborn) — на уровне учебных проектов или курсовых работ.
- Понимание основных алгоритмов ML (линейные модели, деревья решений, градиентный бустинг, базовые представления о нейросетях).
- Технический английский (читать документацию, статьи).
- Желание разбираться в промышленных данных — не бояться шумов, пропусков, дрейфа распределений.
Будет преимуществом:
- Участие в научных конференциях, публикации (включая тезисы).
- Опыт работы с Linux.
- Знакомство с MLOps-инструментами (Docker, MLflow, Airflow, Kubeflow — хотя бы на уровне «знаю, зачем нужно»).
- Опыт в разработке ПО (Git, ООП, тестирование).
- Опыт работы с временными рядами (прогнозирование, обнаружение аномалий).
- Участие в хакатонах / Kaggle (любые места).
Мы ожидаем от стажёра - Исследовательской жилки — умения формулировать гипотезы и проверять их на данных.
- Инженерного подхода — готовности доводить модель до работающего прототипа, а не останавливаться на графиках в ноутбуке.
- Инициативности и любознательности — не бояться задавать вопросы технологам и инженерам, чтобы лучше понять физику процессов.
- Командности — обсуждать решения с аналитиками, разработчиками и предметными экспертами.
Мы предлагаем
- Погружение в реальные промышленные проекты (цифровые двойники для нефтехимии, энергетики, металлургии).
- Наставничество от ведущих дата-сайентистов и ML-инженеров, которые реализовали десятки успешных проектов.
- Доступ к реальным промышленным данным (тысячи датчиков, годы истории).
- Офисный, гибридный формат.
- Гибкий график на время сессии / диплома.
- Высокий шанс перехода в постоянную позицию младшего дата-сайентиста.
Как попасть на стажировку
- Проверьте средний балл — от 4.5.
- Отправьте CV с перечислением учебных проектов по ML / анализу данных (курсовые, диплом, Kaggle, хакатоны).
- Пройдите скрининг резюме.
- Пройдите техническое интервью (Python + ML + задачка на анализ данных — например, построить простую модель прогнозирования на временном ряду).
- Пройдите финальное собеседование с руководителем направления и техническим директором (обсуждение опыта и научных интересов).
Дедлайн подачи заявок: до 15 августа 2026 года.
Старт стажировки: сентябрь–октябрь 2026 (возможно согласование индивидуально).
