Zapraszamy Cię do 30-osobowego zespołu zajmującego się szeroko rozumianą interakcją człowieka z AI. Odpowiadamy za poszukiwanie, testowanie, wdrażanie i optymalizowanie innowacyjnych rozwiązań wspierających użytkownika w sposób intuicyjny i efektywny. Prowadzimy równolegle wiele projektów angażujących międzynarodowych partnerów takich jak instytucje europejskie, uczelnie, instytuty badawcze, dostawcy sprzętu, centra przetwarzania danych i członkowie Grupy Orange. W swoich działaniach kierujemy się zasadami Responsible AI.
Jako Data Analyst/Data Scientist będziesz odpowiadać za zbieranie danych statystycznych z przeprowadzanych eksperymentów, POC i prototypów wdrażanych zarówno w laboratorium, jak i u Klientów. W swojej pracy będziesz opierać się na rygorystycznej metodologii naukowej, weryfikując hipotezy za pomocą dowodów statystycznych i przedstawiając wyniki w formie czytelnych wizualizacji.
Wcześniejsze doświadczenie w pracy naukowej pozwoli Ci wyróżnić się spośród innych Kandydatów.
responsibilities :
Dokonywanie regularnych przeglądów literatury z dziedziny prowadzonych badań
Przygotowywanie danych i ich analizowanie pod względem użytecznej wiedzy
Tworzenie modeli predykcyjnych z użyciem różnych metod i technologii
Planowanie i przeprowadzanie eksperymentów na prototypach rozwiązań technicznych
Udowadnianie istotności statystycznej i związku przyczynowo-skutkowego rezultatów
Opracowywanie użytecznych wizualizacji wyników oraz syntetycznych wniosków
Redagowanie publikacji naukowych z przeprowadzonych badań
Prezentowanie wyników badań oraz publikacji na konferencjach naukowych
Aktywny udział w definiowaniu nowych kierunków naukowych projektu badawczego
Proponowanie udoskonaleń i unowocześnień dla warsztatu analiz danych
requirements-expected :
Doświadczenie w projekcie badawczym, znajomość metodyk naukowych, dociekliwość analityczna
Doświadczenie w przeprowadzaniu badań ilościowych (projektowanie badań, opracowywanie wyników)
Przynajmniej jedna publikacja naukowa jako główny/a autor/ka
Znajomość data science, analiza danych (w tym rzeczywistych zbiorów danych produkcyjnych)
Solidne podstawy Machine Learning (np. dane tabelaryczne, ciągi czasowe)
Bardzo dobra znajomość Python lub R z bibliotekami do przetwarzania danych
Umiejętność syntezowania wniosków z danych, tworzenia związków przyczynowo-skutkowych, krzyżowej weryfikacji hipotez (diagnostyka różnicowa)
