Data Scientist (she/he/they)
Green Hive Technology
Rola Data Scientist w software housie w grupie Żabka, skupiająca się na end-to-end dostarczaniu modeli ML od eksploracji danych po deployment w chmurze. Obejmuje problemy predykcyjne, optymalizacyjne, rekomendacyjne, Causal AI i LLM. Wymagana jest produktyzacja modeli i współpraca z biznesem. To stanowisko produkcyjne, nie badawcze.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: nie podano widełek wynagrodzenia, brak informacji o konkretnym stosie chmurowym.
Rola Data Scientist w software housie w grupie Żabka, skupiająca się na end-to-end dostarczaniu modeli ML od eksploracji danych po deployment w chmurze. Obejmuje problemy predykcyjne, optymalizacyjne, rekomendacyjne, Causal AI i LLM. Wymagana jest produktyzacja modeli i współpraca z biznesem. To stanowisko produkcyjne, nie badawcze.
- ✓Kontrakt B2B
- ✓Software house w dużej grupie (stabilność)
- ✓Wpływ na produkty używane przez miliony
- ✓Współpraca z ekspertami
- ✓Możliwość testowania innowacyjnych rozwiązań
- ✓Transparentny proces rekrutacyjny (3 etapy)
- −Brak widełek wynagrodzenia
- −Brak informacji o skali zespołu
- −Nie wiadomo, czy w procesie rekrutacyjnym jest zadanie domowe lub live coding (wymienione tylko rozmowy)
- !Poziom 'regular' nie jest jednoznaczny, ale wymagane 3 lata sugerują mid-level
- !Opis zadań zawiera wiele buzzwordów (Causal AI, LLM) – może to być przesadzone lub nowe projekty
- !Benefity takie jak opieka medyczna są 'preferencyjne', nie darmowe
- !Nie podano konkretnego stosu chmurowego (np. AWS, GCP, Azure)
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Pisanie i refaktoryzacja kodu w Pythonie oraz SQL do przygotowania danych i trenowania modeli
- •Projektowanie i implementacja pipeline'ów ML (od feature engineering po deployment)
- •Utrzymanie i monitorowanie modeli w produkcji (MLOps)
- •Przeprowadzanie eksperymentów z modelami uczenia maszynowego (np. testy A/B)
- •Budowanie rozwiązań opartych na dużych modelach językowych (LLM)
- •Wdrażanie modeli do chmury oraz konfiguracja CI/CD dla ML
- •Współpraca z zespołem biznesowym w celu definiowania wymagań i priorytetyzacji zadań
- •Dokumentowanie rozwiązań i dzielenie się wiedzą z zespołem
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Osoba z 3-letnim doświadczeniem, która solidnie zna Pythona i SQL, ma podstawy ML (scikit-learn) i git, oraz potrafi komunikować się po angielsku. Może nie mieć doświadczenia z MLOps czy Causal AI, ale jest chętna do nauki.
Juniorzy z mniej niż 3 latami doświadczenia. Osoby szukające stricte badawczego Data Science bez odpowiedzialności za deployment. Osoby preferujące pracę stacjonarną w pełni (chociaż jest remote, ale są biura).
- ?Jakie narzędzia i platformy chmurowe są używane do ML? (np. AWS, GCP, Azure)
- ?Jaki jest skład zespołu Data Science/ML? (ile osób, role)
- ?Czy istnieje już infrastruktura MLOps, czy trzeba ją budować od podstaw?
- ?Jak wygląda proces produktyzacji modeli – jakie są typowe wyzwania?
- ?Czy są plany pracy z Causal AI i LLM, czy to już istniejące projekty?
- ?Jakie są główne projekty, nad którymi będzie pracować osoba na tym stanowisku?
- ?Czy istnieje budżet na szkolenia i konferencje?
- ?Jak wygląda on-call czy wsparcie produkcyjne dla modeli?
- −Nie podano widełek wynagrodzenia
- −Brak informacji o konkretnym stosie chmurowym
- −Nie wiadomo, jak duży jest zespół data science
- −Brak informacji o procesie code review i standardach jakości kodu
- −Nie wiadomo, czy w procesie rekrutacyjnym jest zadanie domowe lub live coding
Współpraca z ekspertami, otwarta komunikacja, miejsce gdzie pomysły są słyszane i mają znaczenie – wynika z opisu.
Wysyłka CV, krótka rozmowa telefoniczna (ok. 30 minut), rozmowa merytoryczna online, rozmowa z osobą z biznesu.