Data Scientist – Python & Cloud Data Platforms (f/m/x)
Sii
To rola Applied Data Scientist w firmie outsourcingowej Sii. Będziesz przekształcać problemy biznesowe w rozwiązania analityczne, używając klasycznego stacka Pythona (pandas, NumPy, scikit-learn, XGBoost) i pracując na nowoczesnych platformach danych (Microsoft Fabric, Palantir Foundry, Snowflake). Do twoich zadań należy nie tylko budowa modeli ML, ale także projektowanie eksperymentów (A/B testy), komunikacja wyników z interesariuszami oraz monitorowanie i retraining modeli. Rola ma charakter aplikacyjny – ważniejsze jest dostarczenie działającego rozwiązania niż publikacja badań.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: brak opisu procesu rekrutacyjnego (liczba etapów, czas trwania), nie podano wielkości zespołu data science.
To rola Applied Data Scientist w firmie outsourcingowej Sii. Będziesz przekształcać problemy biznesowe w rozwiązania analityczne, używając klasycznego stacka Pythona (pandas, NumPy, scikit-learn, XGBoost) i pracując na nowoczesnych platformach danych (Microsoft Fabric, Palantir Foundry, Snowflake). Do twoich zadań należy nie tylko budowa modeli ML, ale także projektowanie eksperymentów (A/B testy), komunikacja wyników z interesariuszami oraz monitorowanie i retraining modeli. Rola ma charakter aplikacyjny – ważniejsze jest dostarczenie działającego rozwiązania niż publikacja badań.
- ✓AI Grant – dedykowany budżet i 2 płatne tygodnie na własny projekt AI
- ✓AI Center of Excellence – możliwość nauki od specjalistów od agentowego, generatywnego i sovereign AI
- ✓Wybór narzędzi wspomagających AI: Claude, Cursor, GitHub Copilot
- ✓Różnorodność projektów: od generatywnego AI po systemy autonomiczne i platformy enterprise
- ✓Wsparcie konferencyjne i wystąpienia mówcy
- !Praca w modelu outsourcingowym – projekty mogą się zmieniać w zależności od klienta
- !Szeroki zakres platform wymienionych w wymaganiach – może sugerować częste zmiany narzędzi
- !Nie podano opisu procesu rekrutacyjnego
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Przekształcanie problemów biznesowych w hipotezy, metryki i podejścia modelowe
- •Czyszczenie i przygotowywanie danych za pomocą pandas i NumPy
- •Budowa i walidacja modeli ML (klasyfikacja, regresja, segmentacja) z scikit-learn i XGBoost
- •Projektowanie i analiza A/B testów oraz eksperymentów statystycznych
- •Praca na Microsoft Fabric (jeziora danych, notebooki, modele semantyczne) i Palantir Foundry (pipelines, ontologia)
- •Tworzenie wizualizacji i dashboardów dla interesariuszy technicznych i nietechnicznych
- •Monitorowanie dryfu modeli produkcyjnych i zarządzanie cyklem retrainingowym
Oferta dla doświadczonych specjalistów (Senior).
Osoba z minimum 4 latami data science, solidnym Pythonem i statystyką, oraz znajomością jednej platformy chmurowej lub danych. Komunikatywna, samodzielna, zna polski i angielski.
Nie dla juniorów lub osób z mniej niż 4 latami doświadczenia. Nie dla osób nieznających języka polskiego lub mieszkających poza Polską. Również nie dla kogoś, kto nie chce pracować z różnorodnymi platformami danych.
- ?Ile osób liczy zespół Data Science w Sii?
- ?Jak wygląda proces przypisywania do projektów – czy mam wpływ na wybór?
- ?Czy AI Grant jest dostępny dla wszystkich, czy na zasadzie konkursu?
- ?Jaka jest typowa struktura klienta – czy pracujemy bezpośrednio z klientem, czy przez PM?
- ?Czy są przewidziane dyżury on-call lub praca w weekendy?
- ?Jakie są możliwości rozwoju i ścieżka kariery dla senior data scientistów?
- ?Czy na B2B są płatne urlopy?
- ?Jaki jest przewidywany czas trwania pierwszego projektu?
- −Brak opisu procesu rekrutacyjnego (liczba etapów, czas trwania)
- −Nie podano wielkości zespołu data science
- −Brak informacji o beneficie na B2B (np. płatne urlopy)
- −Nie wiadomo, czy pracuje się bezpośrednio z klientem, czy wewnętrznie
- −Brak szczegółów dotyczących on-call lub dyżurów
Firma stawia na innowacje i rozwój: oferuje AI Grant, centrum doskonałości AI oraz swobodę wyboru narzędzi. Atmosfera sprzyja uczeniu się i eksperymentowaniu, ale w modelu outsourcingowym.