Analityk danych @ Xenoss w Xenoss

Projekt

LightAd ma zamiar opracować własny, zorientowany na wydajność procesor DSP z wbudowanym modułem optymalizacji obsługującym różne modele rozliczeń, w tym CPM, CPC i CPA. Głównym celem jest wdrożenie technologii we własnym zakresie i uzyskanie wszystkich korzyści wynikających z posiadania własności intelektualnej, takich jak:
Personalizacja: LightAd powinna mieć pełną kontrolę nad funkcjonalnością rozwiązania. Zdolność rozwiązania do spełnienia różnych potrzeb i wymagań biznesowych wyróżni LightAd na tle konkurencji.
Skalowalność: DSP LightAd powinien być zaprojektowany tak, aby skalować się w miarę rozwoju firmy i zapewniać elastyczność w dodawaniu nowych funkcji i możliwości. Ograniczenia rozwiązań typu white-label nie będą już przeszkodą dla biznesu.
Bezpieczeństwo i zgodność: posiadanie adresu IP umożliwia wdrożenie solidnych środków bezpieczeństwa, lepszą kontrolę nad prywatnością danych, ochronę przed zagrożeniami bezpieczeństwa itp.
Koszt długoterminowy oszczędności: posiadanie własności intelektualnej prowadzi do długoterminowych oszczędności.
LightAd chce uniknąć ciągłych opłat licencyjnych i zależności od dostawców zewnętrznych, które z czasem mogą stać się znaczącymi wydatkami.
Potencjalne przejęcie: Technologia powinna być mnożnikiem wyceny, jeśli LightAd rozważa przejście na scenariusz biznesowy.

— stopień licencjata lub magistra w dziedzinie informatyki, inżynierii, matematyki lub dziedziny pokrewnej.
— Minimalnie 5 lat doświadczenia na stanowisku związanym z analityką danych lub na pokrewnym stanowisku, z udokumentowanym doświadczeniem w stosowaniu technik uczenia maszynowego do rozwiązywania rzeczywistych problemów.
– Doświadczenie z usługami w chmurze (AWS, Azure itp.) i narzędziami do wdrażania ML (MLflow lub Kubeflow).
— Biegłość w Pythonie, szczególnie w klasycznym stosie DS (NumPy, SciPy, Pandas, matplotlib, scikit-learn itp.).
— Znajomość głównych narzędzi i frameworków Deep Learning (TensorFlow/Keras, PyTorch).
— Znajomość metod i technik statystycznych, w tym testów A/B.
— Wyższy średniozaawansowany poziom języka angielskiego (w mowie i piśmie).

Projekt

LightAd zamierza opracować własny, zorientowany na wydajność procesor DSP z wbudowanym modułem optymalizacyjnym obsługującym różne modele rozliczeń, w tym CPM, CPC i CPA. Głównym celem jest wdrożenie technologii we własnym zakresie i uzyskanie wszystkich korzyści wynikających z posiadania własności intelektualnej, takich jak:
Personalizacja: LightAd powinna mieć pełną kontrolę nad funkcjonalnością rozwiązania. Zdolność rozwiązania do spełnienia różnych potrzeb i wymagań biznesowych wyróżni LightAd na tle konkurencji.
Skalowalność: LightAd DSP powinien być zaprojektowany tak, aby skalować się w miarę rozwoju firmy i zapewniać elastyczność w dodawaniu nowych funkcji i możliwości. Ograniczenia rozwiązań typu white-label nie będą już przeszkodą dla biznesu.
Bezpieczeństwo i zgodność: posiadanie adresu IP umożliwia wdrożenie solidnych środków bezpieczeństwa, lepszą kontrolę nad prywatnością danych, ochronę przed zagrożeniami bezpieczeństwa itp.
Koszt długoterminowy oszczędności: posiadanie własności intelektualnej prowadzi do długoterminowych oszczędności.
LightAd chce uniknąć ciągłych opłat licencyjnych i zależności od dostawców zewnętrznychrs, które z czasem mogą stać się znaczącymi wydatkami.
Potencjalne przejęcie: Technologia powinna być mnożnikiem wyceny, jeśli LightAd rozważa przejście na scenariusz biznesowy.

,[— Ściśle współpracuj z zespołem, aby zrozumieć cele biznesowe i przełożyć je na inicjatywy związane z nauką o danych., — Projektuj, rozwijaj i utrzymuj skalowalne rozwiązania z wykorzystaniem najnowocześniejszej sztucznej inteligencji i techniki uczenia maszynowego., — Ustanawiaj skalowalne, wydajne i zautomatyzowane procesy analizy danych i opracowywania modeli., — Jasno komunikuj korzyści i ograniczenia modeli i możliwości AI/ML różnym zainteresowanym stronom. Zapewniaj im regularne aktualizacje i spostrzeżenia]

Wymagania: Python, NumPy, SciPy, pandy, Degree, Data science, uczenie maszynowe, AWS, Azure, Matplotlib, scikit-learn, Deep learning, TensorFlow, Keras, PyTorch, Metody statystyczne