Data scientist — удалённая работа в Нижнем Новгороде

Разработка с нуля. Автоматизированная модель семантического анализа текстов для оценки социальной реакции на деятельность компании в контексте принципов ESG (Environmental, Social, Governance), в частности, обрабатывать результаты в рамках фактора Social - насколько компания поддерживает принципы ESG, устойчивого развития, социального равенства, социальной защиты, обеспечения достойных и комфортных условий труда, образования, обеспечения гендерного равенства и т.д.. Модель должна интегрировать данные из различных источников, таких как новостные статьи, обсуждения на форумах, социальные сети и другие онлайн-платформы. Задача модели - выявлять общий уровень соответствия компании принципам ESG на шкале от 1 до 10, а также выявлять стоп-факторы, препятствующие повышению этого уровня. Модель должна учитывать не только отдельные слова, но и контекст сообщений, включая тональность и эмоциональную окраску высказываний. Примерные характеристики модели: 1) Архитектура модели: использование глубоких нейронных сетей, таких как рекуррентные нейронные сети или трансформеры, для анализа текстов и выявления семантических связей. 2) Интеграция данных: Система должна быть способна собирать данные из различных источников, включая API новостных агентств, форумов, социальных сетей и других онлайн-платформ. 3) Предобработка данных: Предварительная обработка текстов, включая токенизацию, стоп-слова, лемматизацию и выделение ключевых фраз. 4) Анализ тональности: Модель должна быть способна определять не только семантическое содержание текстов, но и их эмоциональную окраску. 5) Оценка соответствия принципам ESG: Разработка алгоритма оценки, который учитывает не только простое количество упоминаний, но и их контекст, а также выявление ключевых тем и ключевых слов, связанных с принципами ESG. 6) Стоп-факторы и препятствия: Выявление и анализ факторов, которые могут негативно влиять на оценку компании по принципам ESG. 7) Масштабируемость и производительность: Модель должна быть способна обрабатывать большие объемы данных в реальном времени и масштабироваться при необходимости. 8) Мультиязычность: Добавление поддержки для обработки текстов на разных языках для расширения применимости модели. 9) Использование предобученных моделей: Использование предобученных языковых моделей, таких как BERT или GPT, для улучшения качества анализа текстов. 10) Обратная связь и обучение с подкреплением: Внедрение механизмов обратной связи и обучения с подкреплением для постепенного улучшения модели на основе получаемого опыта. 11) Интерпретируемость результатов: Разработка методов для объяснения и интерпретации результатов анализа, чтобы пользователи могли понять, каким образом были получены оценки и рекомендации.