Наши ожидания
- Приветствуется опыт работы над реальными коммерческими или промышленными проектами
- Мы ждём разработчика, который понимает полный ML-цикл, с фокусом на этапы, предшествующие моделированию и следующие за ним
- Минимальный барьер: понимание принципов работы ML, опыт реализации ML-пайплайнов «под ключ» (включая подготовку данных и интеграцию)
Ключевые задачи и обязанности
1. Разработка на Python (основной фокус)
- Создание и поддержка высоконагруженных бэкенд-сервисов и RESTful API (Django/Flask/FastAPI)
- Проектирование модульной, поддерживаемой и масштабируемой сервисной архитектуры
- Написание кода с использованием asyncio, type hints, современных практик Python
- Написание комплексных тестов (pytest, unittest)
2. Сбор, обработка и управление данными (ключевой блок)
- Разработка парсеров для получения данных из разнородных источников
- Очистка, валидация и трансформация данных для последующего анализа и обучения моделей
- Работа с реляционными БД (PostgreSQL): проектирование схем, оптимизация сложных запросов
- Построение отказоустойчивых data-пайплайнов
3. Работа с ML-жизненным циклом (понимание и реализация)
- Тесное взаимодействие с Data Scientist для интеграции готовых моделей в продукт
- Оптимизация моделей для ускорение работы, снижение нагрузки
- Организация мониторинга работы моделей и подготовка инфраструктуры для их дообучения
- Понимание полного цикла: от данных и обучения до внедрения и поддержки
Технический стэк (требования)
Обязательные требования
- Опыт коммерческой разработки на Python от 2-3 лет
- Глубокое знание Python и его экосистемы для бэкенда
- Опыт с одним из фреймворков: Django, Flask или FastAPI
- Уверенное знание SQL и опыт работы с PostgreSQL (или аналогами)
- Обязательный навык — написание парсеров и скриптов для сбора данных
- Понимание принципов проектирования RESTful API
Важные навыки
- Опыт работы с Git, понимание процессов CI/CD
- Понимание клиент-серверной архитектуры, сетевых протоколов (HTTP, TCP/IP)
- Уверенная работа в Linux/Unix, умение работать в консоли, настройка окружения
- Понимание принципов машинного обучения (этапы, метрики, lifecycle)
- Умение проектировать модульную и поддерживаемую архитектуру
- Опыт написания тестов (pytest, unittest)
Будет плюсом
- Опыт работы с очередями сообщений (Kafka, RabbitMQ)
- Знание контейнеризации (Docker)
- Базовое знакомство с ML-библиотеками (scikit-learn, pandas, numpy)
Личные качества
- Обучаемость и стремление к профессиональному росту
- Готовность разбираться в сложных предметных областях, связанных с гос. инфраструктурой
- Системное мышление, внимание к надёжности и безопасности
- Умение работать в команде и делиться знаниями
- Ответственный подход к работе с государственными системами
Что мы предлагаем
- Возможность частично-удаленной работы
- Работу над социально значимыми проектами государственного масштаба
- Возможность построить инфраструктуру для ИИ-решений
- Профессиональный рост
- Стабильная зарплата и премии
Требования к стажу:
не менее двух лет стажа государственной гражданской службы или не менее четырех лет стажа работы по специальности, направлению подготовки.
Исполнение должностных обязанностей связано с использованием сведений, составляющих государственную тайну.
