Собеседование на Data Scientist в Полюс: этапы, индустриальные задачи, ошибки

«Полюс» — крупнейший золотодобывающий холдинг России и один из мировых лидеров отрасли с активами в Красноярском крае, Иркутской и Магаданской областях, Якутии. Data Scientist в Полюсе — это специалист, который работает на стыке геологии, горного дела и металлургического передела: от геомоделей рудного тела до оптимизации работы золотоизвлекательных фабрик. Эта статья собрана из публичных описаний вакансий, отзывов кандидатов и общих практик найма в горно-добывающих компаниях — её цель помочь подготовиться, а не пересказать внутренние документы.

Почему Полюс — особенный работодатель {#pochemu-polyus-osobennyy-rabotodatel}

Полюс уникален даже в индустриальном секторе России. У компании огромные открытые карьеры (Олимпиада, Благодатное, Куранах) и сложные месторождения, где каждый процент извлечения золота — это значимая прибыль или потеря. На таких объёмах задачи DS становятся осязаемыми: модель, которая на 0.5% повышает извлечение, окупается за недели. Это редкая ситуация, когда «маленькая ML-модель = большие деньги».

Полюс активно инвестирует в цифровизацию: внутренний центр данных, программы по автоматизации, проекты с университетами, регулярные индустриальные конференции. Для DS это означает интересную смесь: тяжёлая промышленность с долгими циклами, но при этом современная ML-культура и поддержка экспериментов. Также Полюс — это компания, где остро стоит вопрос безопасности: работы ведутся в труднодоступных регионах, и safety-аналитика играет важную роль.

Этапы собеседования {#etapy-sobesedovaniya}

Цикл найма DS в Полюс обычно занимает 3–5 недель и проходит в 4 этапа.

1. HR-скрининг (25–40 минут)

Рекрутер уточняет опыт, домены (временные ряды, геопространственные данные, CV, табличные задачи), знание стека, готовность к гибридному формату работы (Москва + командировки на объекты), ожидания. Часто спрашивают про мотивацию: «почему именно горно-добыча, а не классические IT-компании».

2. Техническое интервью (60–90 минут)

Основной фильтр. Один-два интервьюера: ведущий DS, ML-инженер, иногда геолог-эксперт. Разбирают конкретные задачи: статистика, классические ML-алгоритмы, особенности работы с пространственными данными, методы аномалий. Часто просят на месте обсудить кейс: «есть данные опробования по скважинам, как ты построишь модель содержания золота в блочной модели?». Параллельно проверяют SQL и базовый Python.

3. Кейс-интервью / лайв-кодинг (60–90 минут)

В форме реальной задачи: дают синтетические или анонимизированные данные, просят за час построить базовое решение и обосновать выбор подхода. Иногда — обсуждение реального проекта из портфолио кандидата с детальными вопросами по архитектуре решения, метрикам, ошибкам валидации.

4. Финал с руководителем (60 минут)

Здесь акцент на зрелости, опыте, мотивации. Кандидата спрашивают о приоритетах, работе с геологами и горняками, готовности учиться горно-добывающей специфике. Часто разговор уходит в обсуждение конкретных проектов из вашего портфолио: что именно вы делали, какие сложности возникали, какие метрики вы показывали.

Особенности по командам {#osobennosti-po-komandam}

Геология и резерв-моделирование

Челенджи: прогноз содержания золота в блочной модели по данным разведки, оптимизация плана разведочного бурения, оценка ресурсов и запасов. Технологии: геостатистика (kriging, conditional simulation), классические ML-методы, иногда CV для текстурного анализа керна. Кому подойдёт: DS с математическим бэкграундом, готовому учить геостатистику и работать вместе с геологами.

Горное производство и карьеры

Челенджи: оптимизация плана горных работ, прогноз производительности экскаваторов и БелАЗов, предиктивка состояния карьерного транспорта. Технологии: временные ряды, классический ML, методы оптимизации, иногда reinforcement learning. Кому подойдёт: DS с интересом к operations research и работе с фактическими графиками работ.

Обогащение и металлургия

Челенджи: оптимизация процессов золотоизвлекательных фабрик (флотация, цианирование, сорбция), прогноз извлечения. Технологии: временные ряды, классический ML, методы оптимизации, иногда CV (контроль процессов). Кому подойдёт: DS с интересом к химико-технологическим процессам и тесной работе с обогатителями.

Безопасность и устойчивое развитие

Челенджи: safety-аналитика (рискованные операции, СИЗ, утечки), мониторинг воздействия на окружающую среду, ESG-метрики. Технологии: CV для контроля СИЗ, временные ряды для мониторинга, классические ML-модели. Кому подойдёт: DS, кому интересна safety- и ESG-тематика, готов работать на стыке производства и контроля.

Что Полюс ценит в Data Scientist {#chto-polyus-tsenit}

В Полюсе ценят DS, который умеет видеть весь цикл «данные → модель → бизнес-результат». Компания работает с огромными объёмами, и эффект от ML-проектов измеряется в десятках и сотнях миллионов рублей. Поэтому от DS ждут чётких бизнес-формулировок и понимания, как модель повлияет на ключевые показатели: извлечение, производительность, безопасность, себестоимость.

Сильный кандидат на интервью говорит про задачу через бизнес-метрики: «модель повышает извлечение на 0.3%, что при текущей переработке N тонн руды в сутки даёт эффект Y миллионов рублей в год; внедрение требует доработки SCADA и переобучения операторов». Слабый рассказывает только про метрики на холдаут-выборке.

Простой пример. Постановка «улучшить прогноз содержания золота в блочной модели» — сильный DS уточняет: «какие исходные данные (опробование, ICP, текстурный анализ керна), какая текущая методика (кригинг, IDW), как валидируется модель (cross-validation на буровых данных, сравнение с фактом отработки), какая чувствительность плана горных работ к ошибке модели? есть ли исторические сопоставления плана/факта?». Только после этого он начинает работать.

Полюс также ценит способность DS работать на длинных проектах. Внедрение модели от прототипа до production в горно-добыче занимает 6–18 месяцев. За это время важно не потерять фокус, не сдаваться при первой неудаче, выстраивать нормальный pipeline, защищать решение перед стейкхолдерами. Это требует и технических навыков, и зрелости в коммуникациях.

Как готовиться: план {#kak-gotovitsya-plan}

Подготовка строится в три фазы. Первая — общая база: Python (NumPy, Pandas, scikit-learn), SQL уверенного уровня, математическая статистика (доверительные интервалы, гипотезы, базовая вероятность), классические ML-алгоритмы (линейные модели, деревья, бустинги, базовые нейросети), методы оценки моделей.

Вторая фаза — индустриальная специфика. Если планируете в геологию — прочитайте основы геостатистики (kriging, conditional simulation, variogram analysis): хорошая книга — Goovaerts «Geostatistics for Natural Resources Evaluation». Для горного блока — изучите особенности временных рядов в промышленности, методы predictive maintenance, аномалии. Полезные ресурсы: кейсы Полюса и других добывающих компаний на DataFest, AI Journey, Smart Industry. Тренажёр Карьерник поможет освежать SQL и базовые алгоритмы между большими блоками подготовки.

Третья фаза — личные кейсы. Подготовьте 2–3 истории из карьеры в формате STAR. Если индустриального опыта нет, сделайте pet-проект с пространственными данными (kaggle: geology, mining datasets есть). Подготовьте отдельную историю про работу со стейкхолдерами разного уровня — в Полюсе вы будете много общаться с производственниками.

Частые ошибки {#chastye-oshibki}

• Кандидат говорит про модели абстрактно, без привязки к данным и бизнес-смыслу. В горно-добыче это особенно режет глаз.
• Игнорирование специфики данных. Для геологии важно понимать, что опробование — это пространственные данные, и обычный random split здесь не работает.
• Слабая работа с временными рядами и геоданными: data leakage, неправильный split.
• Незнание базовой статистики. На вопросы про p-value, доверительный интервал, статистическую мощность ждут уверенных ответов.
• Слабый SQL и нежелание работать с данными самостоятельно.
• Слишком общий рассказ о проектах: «обучил модель, получил метрику». Без описания данных, валидации, причин выбора подхода — этого мало.

Связанные темы {#svyazannye-temy}

• Собеседование на DS в Норникель
• Собеседование на DS в Северсталь
• Собеседование на DS в ММК
• Собеседование на DS в ЛУКОЙЛ
• Собеседование на DS в Газпром

FAQ {#faq}

Сколько готовиться?

Для среднего грейда DS — 5–8 недель при наличии 1–2 лет опыта. Для геологического направления добавьте 4–8 недель на освоение геостатистики и специфики опробования. Если опыт смежный — 3–5 месяцев на освоение Python, SQL, ML и базовой статистики.

Нужен ли горно-геологический бэкграунд?

Желателен для геологического направления, но не обязателен. Полюс готов взять сильного DS из IT и научить геологии за 3–6 месяцев. Для производственных и металлургических задач горно-геологический бэкграунд не критичен.

Какой стек у Полюса?

Python (Pandas, NumPy, scikit-learn, бустинги), временные ряды (statsmodels, Prophet, LSTM), PyTorch/TensorFlow для CV, специализированные пакеты для геостатистики (GSLIB, pyKrige, gemgis, gstools). SQL — Oracle, Postgres, иногда специализированные горно-геологические системы.

Где находятся объекты?

Основные — Красноярский край, Иркутская и Магаданская области, Якутия. Большинство DS-вакансий — в Москве с возможными командировками на объекты. Бывают локальные позиции на площадках.

Какие книги и ресурсы помогают?

Goovaerts «Geostatistics for Natural Resources Evaluation», Hastie, Tibshirani, Friedman «The Elements of Statistical Learning», курсы по временным рядам, материалы DataFest и Smart Industry, кейсы Полюса и других mining-компаний на AI Journey.

Что особенного в задачах резерв-моделирования?

Это уникальный домен на стыке геологии и статистики. Главное отличие — пространственная природа данных: каждый пробоотбор имеет координаты, и обычные методы ML (random split, кросс-валидация) дают переоптимистичные оценки. Здесь применяют кригинг и conditional simulation, которые учитывают пространственную корреляцию (вариограмму). На собеседовании плюс — если вы понимаете, почему обычный random split в геологии — это data leakage.

Реально ли в Полюсе попасть в проекты с reinforcement learning?

Реально, но ограниченно. RL обычно применяется в задачах оптимизации режимов работы оборудования (электролизёры, флотация, измельчение). Проектов мало, они длительные и обычно идут через центр компетенций. Для входа полезно иметь хотя бы pet-проект с RL и понимать, чем on-policy отличается от off-policy и где это критично.

Статья основана на публичных источниках: вакансиях, отзывах кандидатов на open-площадках, профильных сообществах и общих практиках найма в горно-добывающих компаниях. Конкретные процессы и требования могут отличаться от описанных и меняются со временем — уточняйте детали у рекрутера.