Data Scientist

About the roleМы ищем Data Scientist, который присоединится к Event Time Advancements — команде, отвечающей за возможности Assaia по прогнозированию времени полётов и задержек, в частности предсказание задержек вылета и связанные с этим задачи оперативного прогнозирования. Это прикладная роль в области ML с полным владением процессом от начала до конца. Вы будете работать на всех этапах жизненного цикла: создавать наборы данных и признаки из меняющихся историй событий, обучать и оценивать модели, а также помогать поддерживать их надёжность в реальном времени совместно с backend engineering.

• Обучать, настраивать и оценивать модели для предсказания задержек вылета и связанных прогнозов (время события, продолжительность, причина, возникновение).
• Вести задачи от начала до конца: формулировать неоднозначные операционные вопросы как измеримые задачи ML, предоставлять рекомендации, подкреплённые доказательствами.
• Применять как признако‑ориентированные, так и нейронные подходы, включая последовательные модели для эволюционирующих историй событий.
• Создавать наборы данных и признаки из статуса полётов, оборотов, погоды, контекста аэропорта и операционных детекций.
• Аудировать сырые сигналы на надёжность, своевременность и пригодность.
• Разрабатывать оценку без утечек, отражающую реальное использование продукта и учитывающую временную структуру.
• Поддерживать код инференса, мониторить качество в реальном времени, расследовать регрессии и улучшать модели при дрейфе производительности.
• Синхронизировать офлайн‑обучение с признаками и конфигурацией инференса; проверять, что офлайн‑результаты сохраняются в рабочем режиме.
• Сравнивать вывод модели с существующими оценками или базовыми линиями и объяснять компромиссы.
• Создавать и поддерживать внутренние инструменты для генерации наборов данных, обучающих конвейеров и инфраструктуры инференса — рассматривать их как реальную инфраструктуру: тестировать, ревьюировать и строить с осознанными дизайнерскими компромиссами.
• Сотрудничать с backend и другими инженерными командами по интеграции в живую систему.
• Поддерживать воспроизводимые артефакты проекта: конфиги, код экспериментов, ноутбуки, отчёты, выводы мониторинга.
• Сильные навыки инженерии на Python — упаковка (poetry/uv), тестирование, типизация и код, учитывающий производительность, с OOP, применяемым осознанно, когда это оправдано, а не по умолчанию.
• Умение работать с SQL: комфортно использовать JOIN, агрегаты и фильтры для извлечения данных.
• Писать типизированный, протестированный, поддерживаемый Python, который другие могут быстро понять, расширить и доверять в живой эксплуатации — свободно работать в Git‑based workflow, обладая хорошим чувством, когда быть строгим, а когда прагматичным в код‑ревью.
• Практический опыт с Python‑стеком данных: pandas или polars, numpy, pyarrow, деревяными моделями (CatBoost, XGBoost) и pydantic или attrs для валидации данных.
• Уметь использовать Docker и Kubernetes как пользователь для запуска, отладки и валидации ML‑нагрузок.
• Знакомство с агентными инструментами кодинга (например, Claude Code, Codex) и умение решать, когда доверять их выводу, а когда проверять.
• Сильное суждение в инженерии признаков, дизайне валидации, выборе метрик, обработке пропусков, надёжности меток и предотвращении утечек.
• Твёрдая база в статистике и теории вероятностей, достаточная для обоснования выбора моделей и оценки результатов.
• Готовность и способность переходить к последовательным или нейронным подходам по мере роста команды в этом направлении — практическое понимание механики обучения (функции потерь, оптимизация, планировщики, регуляризация, стабильность) ценится даже без глубокого опыта в нейронных сетях.
• Понимание подводных камней моделирования во времени или по событиям — утечки, нестационарность, эволюция сущностей — через предыдущий опыт или сильные рассуждения из первых принципов.
• Сильные устные и письменные навыки английского (уровень B2+ или выше).
• Некоторый прямой опыт работы с моделями в продакшене — вы запускали модель в живую, поддерживали её или тесно работали с обслуживанием и мониторингом, понимая, что меняется (и ломается), когда модель переходит от офлайн‑экспериментов к живой системе.
• Комфортно брать на себя ограниченную, неоднозначную задачу от начала до конца — структурировать её, довести до полезного результата и знать, когда остановиться.
• Ясный коммуникатор для технических и нетехнических заинтересованных сторон.

Сильные навыки инженерии на Python — упаковка (poetry/uv), тестирование, типизация и код, учитывающий производительность, с OOP, применяемым осознанно, когда это оправдано, а не по умолчанию. Умение работать с SQL: комфортно использовать JOIN, агрегаты и фильтры для извлечения данных. Практический опыт с Python‑стеком данных: pandas или polars, numpy, pyarrow, деревяными моделями (CatBoost, XGBoost) и pydantic или attrs для валидации данных. Умение использовать Docker и Kubernetes как пользователь для запуска, отладки и валидации ML‑нагрузок. Знакомство с агентными инструментами кодинга (например, Claude Code, Codex) и умение решать, когда доверять их выводу, а когда проверять. Сильное суждение в инженерии признаков, дизайне валидации, выборе метрик, обработке пропусков, надёжности меток и предотвращении утечек. Твёрдая база в статистике и теории вероятностей. Сильные устные и письменные навыки английского (уровень B2+ или выше). Некоторый прямой опыт работы с моделями в продакшене. Ясный коммуникатор для технических и нетехнических заинтересованных сторон.

• Глубокая практическая экспертиза в задачах предсказания с горизонтом, охватывающих весь конвейер — формулирование задачи, построение набора данных, обучение и оценка — выходящая за рамки концептуального понимания подводных камней к практическому суждению на каждом этапе.
• Опыт владения (а не только использования) конвейерами переобучения или системами детекции дрейфа от начала до конца.
• Опыт сравнения поведения модели в офлайн и онлайн режимах.
• Опыт работы с PyTorch.

• Участие в принятии важных решений, ваши идеи будут услышаны и реализованы.
• Полностью удалённая работа и гибкий график.
• Оплачиваемый отпуск, оплачиваемые больничные.
• Оплата релевантных курсов/онлайн‑образования.
• Отличная корпоративная культура, основанная на честности и взаимном уважении.
• Офлайн‑мероприятия команды.