Стажёр-дата-сайентист (промышленный AI и предиктивная аналитика)
Описание
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).