Разработка на Python — удалённая работа в Москве

Разработка с нуля. Пожелания и особенности: Есть несколько графиков с датами и количеством людей ( есть вводные данные ) количество спальных мест на объекте Необходимо на каждый месяц начиная с июня сделать аналитику расселения людей учитывая даты и вместимость в указанный объект . Объектов всего 9 - категорий людей ( порядка 6-8). Конечный результат - план - аналитика расселения 50 тысяч людей до сентября 2026 . Показать кто вместится, кто нет, а еще лучше сделать дашборд которым можно будет пользоваться если внести стартовые данные.

Доработка существующего продукта. Работа по Excel документу расчет показателей.

Data Science. Тестирование, настройка, доработка существующего продукта.

Data Science. Разработка с нуля.

Data Science. -. Пожелания и особенности: Вот описание вакансии для aimonitor.pro: AI Analytics & Research Full-time · Remote · aimonitor.pro О роли Мы строим платформу мониторинга бренд-присутствия в ответах LLM — и нам нужен человек, который одновременно понимает, как эти модели устроены изнутри, умеет работать с данными и помогает превращать исследования в продуктовые решения. Это не классическая роль аналитика. Здесь нет чёткой границы между «смотрю на данные» и «улучшаю систему» — ты делаешь и то, и другое. Что предстоит делать Исследования и анализ — Проводить отраслевые ресёрчи по запросу клиентов и команды (бренды, ниши, конкуренты в LLM-ответах) — Структурировать и презентовать результаты в виде понятных отчётов и инсайтов Работа с платформой и метриками — Интегрировать новые гипотезы и наработки в продукт, отслеживать влияние изменений на метрики — Участвовать в проектировании новых метрик и методологии измерений — Актуализировать рейтинги и бенчмарки Клиентская поддержка и онбординг — Помогать клиент-facing команде заводить проекты: настройка запросов, диагностика проблем — Формулировать задачи в разработку на основе клиентского фидбека — Частичная поддержка пользователей AI/LLM-часть — Улучшать промпты: системные, оценочные, ресёрч-цепочки — Разрабатывать и поддерживать eval-пайплайны — Использовать LLM-as-a-judge подходы для оценки качества ответов — Следить за тем, что происходит в LLM-пространстве и тащить релевантное в продукт Что важно знать и уметь — Понимание архитектуры LLM: как работают трансформеры, как формируются ответы, что такое контекстное окно, temperature, sampling — ML-метрики и их применение: precision/recall, NDCG, cosine similarity, и специфика LLM-оценок — LLM-as-a-judge: методология, ограничения, агрегация оценок — Eval-пайплайны: что такое хороший eval, как избежать data leakage, как измерять регрессию — Python: pandas, работа с API, базовый NLP-стек (transformers/sentence-transformers приветствуется) — SQL: уверенный уровень, агрегации, оконные функции Будет плюсом — Опыт работы с промптами для RAG или классификации — Понимание морфологии и особенностей русского языка в NLP-задачах — Опыт в продуктовой или бизнес-аналитике — Знакомство с Langfuse, RAGAS, DeepEval или аналогами Что предлагаем — Работу на стыке продукта, AI и данных — без бюрократии — Прямой доступ к фаундерам и влияние на продуктовые решения — Задачи, которые реально имеют значение для клиентов — Возможность строить что-то новое в быстрорастущей нише.

Разработка с нуля. Входные данные: Файл Excel (ОСВ 70 помесячно.xlsx). Структура: строки с ФИО сотрудников, затем под каждым — блоки: - Строки «Обороты за [Месяц] [Год]» — в колонках Дебет (выплачено) и Кредит (начислено всего за месяц). - Далее идут строки со статьями НК РФ, например «пп.1, ст.255 НК РФ», «пп.2, ст.255 НК РФ» и т.д. Под каждой такой статьёй — тоже строки «Обороты за [Месяц]» с суммами в колонке Кредит (это начислено по данной статье за конкретный месяц). Цель: Получить плоскую таблицу (новый лист Excel) с даннымми: Сотрудник Месяц Начислено всего (кредит) Выплачено всего (дебет) Статья1 (сумма) Статья2 (сумма) ....