Data Scientist
FINDAIR
Rola skupia się na analizie danych z sensorów urządzeń medycznych (szeregi czasowe), budowaniu modeli ML (regresja, klasyfikacja) i optymalizacji ich pod kątem sprzętu embedded. Praca w Pythonie z bibliotekami ML, SQL i NoSQL. Wymagana jest znajomość statystyki i uczenia maszynowego, a także doświadczenie w pracy z danymi z prototypów.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: wielkość zespołu, konkretna platforma embedded.
Rola skupia się na analizie danych z sensorów urządzeń medycznych (szeregi czasowe), budowaniu modeli ML (regresja, klasyfikacja) i optymalizacji ich pod kątem sprzętu embedded. Praca w Pythonie z bibliotekami ML, SQL i NoSQL. Wymagana jest znajomość statystyki i uczenia maszynowego, a także doświadczenie w pracy z danymi z prototypów.
- ✓Realny produkt med-tech wpływający na zdrowie pacjentów
- ✓Duży wpływ na kształt produktu i decyzje technologiczne
- ✓Płaska struktura i kultura oparta na zaufaniu
- ✓Możliwość eksperymentowania i testowania własnych koncepcji
- !Wymóg optymalizacji modeli na embedded może być wymagający technicznie
- !Szeroki zakres technologii mile widzianych (Java, Node.js, AWS) sugeruje możliwość rozmycia roli
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Czyszczenie i przygotowywanie danych z prototypów urządzeń medycznych
- •Analiza sygnałów sensorowych w formie szeregów czasowych
- •Feature engineering – projektowanie i dobór cech wspierających modele
- •Budowanie modeli regresyjnych i klasyfikacyjnych (od prostych ML po sieci neuronowe)
- •Optymalizacja i tuning parametrów modeli dla osiągnięcia zakładanej skuteczności
- •Ocena jakości modeli na podstawie wyników eksperymentów
- •Optymalizacja modeli pod kątem wymagań sprzętowych urządzeń embedded
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Mid-level data scientist z solidnym backgroundiem w statystyce i ML, znający Python i SQL, gotowy do nauki optymalizacji pod embedded.
Osoby bez doświadczenia w ML lub statystyce (juniorzy) oraz programiści szukający czysto backendowych ról bez analizy danych.
- ?Ile osób liczy zespół data science/ML?
- ?Jaka jest konkretna platforma embedded (ARM, RISC-V, inne)?
- ?Jakie są źródła danych (wielkość, częstotliwość)?
- ?Czy istnieje możliwość publikacji wyników badań?
- ?Jak wygląda proces wdrażania modeli na urządzenia?
- ?Czy firma korzysta z chmury produkcyjnie (AWS)?
- ?Jaki jest planowany horyzont czasowy projektu?
- −Wielkość zespołu
- −Konkretna platforma embedded
- −Proces rekrutacyjny
- −Widełki wynagrodzenia (choć nie podane w ogłoszeniu, ale strukturalne dane tego nie zawierają) – ale to jest brak, jednak nie w strukturalnych, więc można wpisać
- −Informacja o ewentualnym on-call lub dyżurach
Płaska struktura, otwarta komunikacja, kultura zaufania i inicjatywy. Każdy ma wpływ na produkt i kierunek działania.