About the role
Dołącz do naszego zespołu technologicznego jako Senior Data Scientist! Poszukujemy eksperta z bogatym doświadczeniem w projektowaniu, trenowaniu i wdrażaniu zaawansowanych modeli opartych na sieciach neuronowych w środowisku produkcyjnym. W tej roli przejmiesz odpowiedzialność za pełny cykl życia modeli ML/DL na platformie Google Cloud Platform oraz będziesz wspierać rozwój innych badaczy danych w zespole.
Our expectations
- WARUNEK KONIECZNY: Bardzo duże, praktyczne doświadczenie w projektowaniu, trenowaniu i wdrażaniu sieci neuronowych (Neural Networks) oraz modeli Deep Learning wykorzystywanych produkcyjnie.
- GCP & MLOps: Praktyczna znajomość ekosystemu Google Cloud Platform, w szczególności Vertex AI oraz Vertex Pipelines.
- Znajomość narzędzi: Bardzo dobra znajomość Pythona oraz bibliotek PyTorch lub TensorFlow, Pandas i NumPy.
- SQL: Bardzo dobra znajomość SQL (preferowane doświadczenie z BigQuery / analitycznym SQL).
- Engineering Standards: Umiejętność pisania produkcyjnego kodu, znajomość konteneryzacji (Docker) oraz procesów CI/CD.
- End-to-end ML: Samodzielność w prowadzeniu pełnego procesu (analiza problemu -> feature engineering -> trening -> ewaluacja -> wdrożenie).
- Mentoring: Doświadczenie w prowadzeniu i wspieraniu innych Data Scientistów.
- Języki obce: Język angielski na poziomie co najmniej B2 (swobodna komunikacja techniczna).
- Wykształcenie: Wyższe techniczne lub ścisłe (Informatyka, Matematyka, Statystyka, Fizyka lub pokrewne).
- Lokalizacja: Warszawa (hybrydowo: 1 dzień w tygodniu z biura)
Nice to have
- Doświadczenie w pracy z modelami działającymi w czasie rzeczywistym (low latency ML).
- Znajomość specyfiki branży AdTech / Marketing.
- Doświadczenie w budowaniu modeli CTR, CVR oraz pracy z algorytmami Gradient Boosted Trees (XGBoost, LightGBM, CatBoost).
- Doświadczenie na stanowisku Tech Leada.
- Praktyczne wykorzystanie asystentów AI w codziennej pracy z kodem (GitHub Copilot, Cursor itp.).
Main responsibilities
- Udział w pełnym cyklu ML/DL: Od dogłębnej analizy problemu biznesowego, przez feature engineering, eksperymenty, po produkcyjne wdrożenie i monitoring modeli.
- Rozwój infrastruktury ML: Budowanie i utrzymanie skalowalnych potoków ML w oparciu o GCP (Vertex AI, Vertex Pipelines).
- Tworzenie kodu produkcyjnego: Pisanie czystego, wydajnego kodu w Pythonie z wykorzystaniem dobrych praktyk programistycznych i CI/CD.
- Mentoringiem: Dzielenie się wiedzą, wsparciem merytorycznym i podnoszenie kwalifikacji mniej doświadczonych Data Scientistów.
