Senior Data Scientist
⚲ Budapest
19 200 - 24 000 PLN (PERMANENT)
Wymagania
- min. 5 lat doświadczenia w applied data science / machine learning, w tym modele osobiście wdrożone do produkcji i utrzymywane
- mocne podstawy statystyki, eksperymentacji i metodologii ML
- biegłość w Pythonie i jego stacku naukowym/ML oraz SQL
- dyscyplina inżynierii produkcyjnej: kontrola wersji, testowanie, reprodukowalność, CI/CD dla modeli i pipeline'ów danych
- doświadczenie w projektowaniu rygorystycznej ewaluacji offline i online, w tym A/B testing i świadomość pułapek (leakage, bias, drift, overfitting)
Mile widziane
- doświadczenie we wdrażaniu modeli na chmurze (preferowane AWS) oraz z inferencją konteneryzowaną, event-driven lub streamingową
- znajomość narzędzi MLOps do trackingu, serwowania i monitoringu (MLflow, SageMaker, Vertex AI, Kubeflow, Feature Stores)
- doświadczenie w środowiskach regulowanych oraz w model governance, fairness i explainability
Opis stanowiska
Rola Senior Data Scientist w Tessero Hungary to praca hands-on end-to-end: od framing problemu biznesowego, przez dane i modelowanie, po wdrożenie, monitoring i iterację w produkcji. Będziesz współpracować z zespołami Data Engineering, Product, ML i Platform, żeby modele wychodziły z notebooków do dobrze oinstrumentowanych systemów. To oferta dla osoby, która łączy rygor metodologiczny (statystyka, eksperymenty, ewaluacja offline/online) z dyscypliną produkcyjną i świadomie waży wydajność, dokładność i koszt. Wymagane jest udokumentowane doświadczenie z modelami, które osobiście wdrożyłeś i utrzymywałeś w produkcji.
🔍 Dekoder Ogłoszenia
🟡
drive measurable business outcomes
Brzmi konkretnie, ale nie podano żadnych metryk ani przykładów — warto dopytać, jak mierzycie sukces modeli.
🟡
hands-on, end-to-end role
Zwykle oznacza szeroki zakres obowiązków od danych po deployment i monitoring — może być dużo pracy operacyjnej, nie tylko modelowanie.
🟢
move models out of notebooks and into durable, well-instrumented systems
Sygnał, że realnie oczekuje się pracy produkcyjnej (MLOps, monitoring), a nie tylko prototypów — konkretne i uczciwe.
🟡
weighs performance, accuracy, and cost when deciding what to ship
Wskazuje na presję kosztową przy wdrożeniach — warto zapytać o budżety i ograniczenia infrastrukturalne.