Мы используем технические cookie и статистику посещений: Яндекс Метрику и обезличенный журнал Zorky. Данные не продаём. Подробнее о cookie и статистике.
Zorky в тестовом режиме — всё бесплатно. На сайте только демо: компании, ссылки и личная подборка открываются после регистрации. Зарегистрироваться →
ZorkyZorky
Русский
@termdocs
← Все вакансии

Стажёр AI/Data (прикладная математика + вайбкодинг)

СтажёрhybridАстана, KZ1д назад
Стек
gitllmnumpypandaspythonsql
Условия
Занятость
Стажировка
Опыт
без опыта
Показать компанию и ссылку
Бесплатно, после входа в кабинет.
Откликнуться
Загрузите резюме — работодатели и рекрутеры из разных стран, которым нужен ваш профиль, смогут написать вам напрямую.
Отправить резюме →
Описание
Основные требования Мы делаем AI-агентов, которые читают отчёты и транскрипты публичных компаний и превращают текст в структурированные признаки для инвестиционного анализа. Ищем стажёра, который умеет думать математически и быстро собирать рабочие прототипы с помощью AI-инструментов. Что важно: Прикладная математика на уверенном уровне: статистика, вероятность, линейная алгебра, базовая оптимизация. Умеете посмотреть на распределение и сказать, что с ним не так. Python и опыт «вайбкодинга»: Cursor, Claude Code, Copilot или аналоги. Вы не пишете каждую строку руками, но понимаете, что сгенерировано, и умеете это проверить. Понимание, как работают LLM: промпты, контекст, structured output, базовые идеи RAG и evals. Английский на уровне чтения технической документации и финансовых отчётов. Самостоятельность: умеете разобрать задачу, задать вопросы и принести результат, а не процесс. Будет плюсом: Pandas / NumPy, SQL, Git. Интерес к финансам и рынкам: понимаете, что такое выручка, маржа, отчётность. Pet-проекты на LLM, участие в хакатонах, Kaggle. Чем предстоит заниматься Строить и проверять evals для AI-агентов: собирать тестовые наборы, считать метрики качества, искать систематические ошибки модели. Анализировать выходы агентов: распределения признаков по компаниям и отраслям, расхождения между прогонами, аномалии. Читать первичку (отчёты, транскрипты) и сравнивать с выводами модели, формулировать, где и почему модель ошибается. Быстро собирать прототипы: скрипты обработки
Полное описание, компания и ссылка на вакансию — после входа. Войти
Контакты работодателя (email/phone/telegram) скрыты из публичного превью. Отправьте резюме — и работодатели смогут написать вам сами.
Срочный вопрос? Напишите @termdocs