Senior Data Scientist (f/m/x)
⚲ Lublin, Białystok, Bydgoszcz, Kraków, Katowice, Łódź, Poznań, Rzeszów, Szczecin, Gdańsk, Piła, Toruń, Warszawa, Wrocław
Do uzgodnienia
Wymagania
- min. 5 lat doświadczenia w dostarczaniu produkcyjnych prac z zakresu ML lub data science, w tym praktyczne doświadczenie w łączeniu i rozwiązywaniu encji na dużą skalę
- dogłębna znajomość Pythona, w tym kodu produkcyjnego, testowanego i z adnotacjami typów
- praktyczne doświadczenie w metodach probabilistycznych do oceny dopasowania, wyboru progów i ewaluacji
- znajomość algorytmów grafowych i technik ML grafów, w tym osadzeń i GNN
- doświadczenie w inżynierii danych i ML, w tym procesach ETL w dużych zbiorach danych oraz monitorowaniu jakości danych
- zaawansowany poziom języka angielskiego
Opis stanowiska
Dołączysz do projektu budowy systemu operacyjnego opartego na AI dla marketingu w służbie zdrowia. Twoim głównym zadaniem będzie ekstrakcja encji, probabilistyczne łączenie i deduplikacja danych medycznych na dużą skalę oraz praca z grafami i technikami ML grafów. To rola dla doświadczonego Data Scientista, który lubi pracować z heterogenicznymi, fragmentarycznymi danymi i budować produkcyjne pipeline'y. Uwaga: duża część pracy może polegać na czyszczeniu i normalizacji danych o niskiej jakości oraz optymalizacji istniejących algorytmów, a nie na tworzeniu nowych rozwiązań od zera.
🔍 Dekoder Ogłoszenia
🔴
budowaniu systemu operacyjnego opartego na AI dla marketingu w służbie zdrowia
Może to oznaczać, że projekt jest w bardzo wczesnej fazie rozwoju i wymagać będzie budowania od podstaw, a nie pracy nad istniejącym produktem.
🔴
pracować nad produktami produkcyjnymi, które tworzą realną wartość w przemyśle nauk przyrodniczych
Choć brzmi to ambitnie, może oznaczać, że praca będzie skupiona na istniejących, być może już przestarzałych systemach, które wymagają ciągłych poprawek, a nie innowacji.
🔴
godząc duże i fragmentaryczne zbiory danych w wiarygodne encje i atrybuty
Może to sugerować, że dane są w bardzo złym stanie i duża część pracy będzie polegać na ich czyszczeniu i normalizacji, zamiast na zaawansowanych analizach.
🔴
Poprawa wydajności istniejących algorytmów w odpowiedzi na zmieniające się źródła danych i ich objętości
Może to oznaczać, że głównym zadaniem będzie utrzymanie i optymalizacja istniejących rozwiązań, a nie tworzenie nowych, przełomowych algorytmów.