Data scientist — удалённая работа в Москве

Разработка с нуля.

Data Science. Консультация, уроки по архитектуре ИС.

Настройка, доработка существующего продукта. Нам нужно выстроить оптимальную аналитику данных по нескольким проектам. Есть небольшое количество разных данных по 3 проектам. В эти проекты попадают данные из Wb, Ozon, ПланФакт, Банки, Google-таблицы, 1С. Нужно помочь со следующими задачами: - Аккуратно переструктурировать данные по таблицам - Сформировать слой VIEW в ClickHouse - Собрать понятную короткую документацию по данным и архитектуре - Проверить на корректность загрузки данных с источников - Выстроить оптимальные дашборды в Metabase (тут будем обсуждать подробнее и периодически дополнять) Стэк: ClickHouse, Python, Metabase Оплату готов обсуждать почасово, либо разбивать на небольшие проекты и двигаться в таком формате. Нужен человек в долгую работу с частичным участием по запросу. Сейчас задач много и надо погрузиться, разгрести накопившееся Знание ClickHouse и Python обязательно.

Data Science. Разработка с нуля. Пожелания и особенности: Разработка программы для распознавания информации из файлов пдф и перенос этой информации структурировано в эксель таблицу.

Data Science. Разработка с нуля. Разработка OLap кубов на SQL, разработка дашбордов Power BI, DAX.

Data Science. Разработка с нуля, доработка существующего продукта. Ищу Python/LLM-разработчика для создания MVP AI-системы для генеалогических исследований. Система должна анализировать массив архивных документов по человеку и формировать: 1. Генеалогическое досье – связную насыщенную биографию, родственные связи, хронологию, источники и реальные противоречия; 2. Исследовательский слой – анализировать каждый значимый факт и совокупность фактов, выявлять пробелы, формировать обоснованные генеалогические гипотезы и конкретные направления дальнейшего поиска. Например, система должна не просто видеть «место рождения неизвестно», а понимать, что можно установить дальше, зачем это нужно для родословной, какое свидетельство необходимо, где оно может находиться, что изменится при подтверждении/опровержении и куда двигаться при отрицательном результате. Важно сразу проектировать ядро с возможностью дальнейшего развития: - автоматический поиск по архивным каталогам и историческим/генеалогическим онлайн-базам; - работа с фондами, описями и архивными маршрутами; - учёт уже выполненных запросов и отрицательных результатов; - чат по конкретной персоне с опорой на источники; - автоматическая сборка и вёрстка семейной книги из досье, документов, фотографий и древа. На первом этапе всё это реализовывать не требуется — нужен рабочий MVP ядра, но архитектура не должна создавать тупик для дальнейшего развития. Критично: не терять биографически значимую информацию, не смешивать разных людей, сохранять связь выводов с источниками, отличать OCR/описки от реальных противоречий и не превращать предположения LLM в факты.