ที่ปรึกษา AI อาวุโส / วิศวกรการเรียนรู้ของเครื่อง (m/w/d) ภาครัฐ | >90% ระยะไกล

เกี่ยวกับบทบาทนี้

จาก Legacy สู่ Leading Edge – เริ่มต้นด้วยการเปลี่ยนแปลงทางดิจิทัลในสาขาย่อยและการเปลี่ยนแปลง Sie Teil และผู้เชี่ยวชาญด้าน IT-Beratungsunternehmens Als ausgezeichneter Arbeitgeber และ Top Company ปี 2026 พบกันอีกครั้งกับงาน ก่อนหน้านี้ Sie aktiv เสียชีวิตในรูปแบบดิจิทัล Zukunft mit – ใน Projekten, die wirklich bewegen – และ das ohne starre Hierarchien, aber mit viel Vertrauen และ Gestaltungsspielraum เกี่ยวกับการจัดการโครงการ นวัตกรรมซอฟต์แวร์ที่สร้างสรรค์หรืออัจฉริยะ Einsatz von Künstlicher Intelligenz: ก่อนหน้านี้ Semper Prospera glauben มีความสามารถที่ยอดเยี่ยม, echte Wertschätzung und die Kraft guter Ideen Für ein strategisches Großprojekt im Public Sector suchen wir hochqualifizierte KI-Spezialisten (m/w/d) zur Unterstützung von Forschung

ทักษะ/หมวดหมู่

เกี่ยวกับบทบาทข้อมูล / มล

บทบาทข้อมูลและ ML แบ่งออกเป็นสามกลุ่ม: นักวิเคราะห์ (SQL, แดชบอร์ด, คำถามทางธุรกิจ), วิศวกร (ไปป์ไลน์, โครงสร้างพื้นฐาน) และนักวิทยาศาสตร์ (การสร้างแบบจำลอง, การทดลอง) ตำแหน่งงานไม่ได้บอกคุณเสมอไปว่าตำแหน่งงานใด — โปรดอ่านคำอธิบายอย่างละเอียด

ทักษะทั่วไป: SQL, Python, pandas, สถิติพื้นฐาน; บทบาท ML เพิ่ม scikit-learn / PyTorch / TensorFlow; บทบาทวิศวกร เพิ่ม Airflow / dbt / Spark

ข้อมูลเชิงลึกเกี่ยวกับเงินเดือน (สหรัฐฯ คร่าวๆ)

ช่วงทั่วไปสำหรับบทบาท data / ml ในสหรัฐอเมริกาคือ $85,000–$240,000/ปีแตกต่างกันไปตามรุ่นพี่ เวทีบริษัท และเมือง

ประมาณการเท่านั้น หากต้องการทราบหมายเลขเฉพาะบริษัท โปรดตรวจสอบ Levels.fyi (tech), Glassdoor หรือสอบถามในการสัมภาษณ์

เตรียมตัวสัมภาษณ์อย่างไร

การสัมภาษณ์ข้อมูลแยกออก: นักวิเคราะห์ รับคำถาม SQL + กรณีศึกษา วิศวกร รับการออกแบบไปป์ไลน์ + การเข้ารหัส นักวิทยาศาสตร์ รับสถิติ + การสร้างแบบจำลอง ML + บางครั้งอาจเป็นชุดข้อมูลแบบนำกลับบ้าน อ่าน JD อย่างละเอียดและเตรียมพร้อมรับรสชาติที่แท้จริง ไม่ต้องเสียเวลากับ PyTorch สำหรับบทบาทนักวิเคราะห์

คำถามทั่วไปสำหรับทั้งสาม: "คุณจะวัดความสำเร็จของ [คุณลักษณะผลิตภัณฑ์] ได้อย่างไร", "พาฉันไปชมโครงการที่ข้อมูลบอกคุณถึงสิ่งที่น่าประหลาดใจ"และ ฟังก์ชั่นหน้าต่าง SQL (LAG, ROW_NUMBER, PARTITION BY — ฝึกฝนสิ่งเหล่านี้โดยเฉพาะ) สำหรับบทบาท ML คาดว่าจะมีคำถามเกี่ยวกับการฟิตติ้งมากเกินไป การแลกเปลี่ยนความแปรปรวนอคติ และวิธีที่คุณจะแก้ไขจุดบกพร่องแบบจำลองที่ทำงานได้ดีในการฝึกอบรมและใช้งานจริงได้ไม่ดี

บทบาทนี้มักจะนำไปสู่ที่ใด

เส้นทางอาชีพในด้าน data/ML มีความยุ่งเหยิงมากขึ้นเมื่อมีระเบียบวินัยเพิ่มมากขึ้น ความก้าวหน้าที่ชัดเจนที่สุด: นักวิเคราะห์รุ่นเยาว์ → นักวิเคราะห์อาวุโส → ผู้จัดการการวิเคราะห์ ทางด้านนักวิเคราะห์ วิศวกรข้อมูลรุ่นเยาว์ → ผู้อาวุโส → พนักงาน ทางด้านวิศวกรรม และ Junior DS → Senior DS → Principal DS / ML Lead ในด้านการสร้างแบบจำลอง เงินเดือนสูงสุดสำหรับวิศวกร ML + นักวิทยาศาสตร์การวิจัยในบริษัทเทคโนโลยีขนาดใหญ่

การเคลื่อนไหวข้ามสาขาวิชาเป็นเรื่องปกติ: นักวิเคราะห์ที่เรียนด้านวิศวกรรมมักจะได้เปรียบกว่าวิศวกรที่ไม่ได้เรียนรู้บริบททางธุรกิจ ใกล้ชิดกับธุรกิจ — ข้อมูลที่มีค่าที่สุดที่ผู้คนคือข้อมูลที่ผู้บริหารนำมาสู่การอภิปรายด้านกลยุทธ์ ไม่ใช่คนที่สร้างแดชบอร์ดเพียงอย่างเดียว

ธงแดงที่ต้องจับตามอง

• บทบาท "นักวิทยาศาสตร์ข้อมูล" ที่เป็นนักวิเคราะห์ SQL จริงๆ อ่านความรับผิดชอบอย่างละเอียด หากเป็นแดชบอร์ดและการสืบค้นเฉพาะกิจ จะเป็นบทบาทนักวิเคราะห์ที่มีชื่อทางวิทยาศาสตร์
• ไม่มีการเอ่ยถึงความร่วมมือของผู้มีส่วนได้ส่วนเสีย งานข้อมูลแบบแยกส่วนมักเป็นงานข้อมูลที่ถูกละเลย บทบาทจะต้องฝังอยู่กับทีมธุรกิจ
• "AI / ML" มีอยู่ในทุกที่ แต่ไม่มีข้อมูลเฉพาะเจาะจง หากพวกเขาไม่สามารถระบุปัญหาที่แท้จริงที่พวกเขาต้องการแก้ไขด้วย ML ได้ แสดงว่าบริษัทกำลังชอปปิ้งด้วยคำศัพท์
• ขอ "10+ ปีของ Python" หรือการรวมกันที่เป็นไปไม่ได้ JD เขียนโดยฝ่ายทรัพยากรบุคคลโดยไม่มีข้อมูลจากทีมข้อมูล หรือบริษัทมีความคาดหวังที่ไม่สมจริง

คำถามที่พบบ่อย

มีบทบาทมากขึ้นในการสำรวจ