Dátový vedec začína deň kontrolou nočných behov ML pipeline a metrík výkonnosti modelu, často sa zaoberá problémami s presnosťou modelu pre predikciu cien. Ráno prebieha standup s dátovým tímom a diskusia o nových požiadavkách. Väčšina dňa sa venuje prieskumnej analýze dát - čisteniu dát, inžinieringu atribútov a experimentovaniu s novými algoritmami v Jupyter notebooks. Časté sú konzultácie s analytikmi ohľadom interpretácie výsledkov. Popoludní sa venuje doladeniu modelov, vizualizácii poznatkov v Tableau a príprave prezentácií pre zainteresované strany. Pravidelné sú výskumné sedenia pre nové techniky strojového učenia a odborné články. Práca na diaľku je štandardná s flexibilnými hodinami. Deň končí nasadením modelov na cloudové platformy a monitoringom ich presnosti.

• Analýza a čistenie veľkých datasetov
• Vývoj machine learning modelov a algoritmov
• Vytvorenie prediktívnych a popisných analytických modelov
• Implementácia deep learning riešení
• Práca s big data technológiami (Spark, Hadoop)
• Vizualizácia dát a tvorba dashboardov
• A/B testovanie a experimentálny dizajn
• Optimalizácia business procesov cez dáta
• Spolupráca s business stakeholdermi na definovaní KPI
• Nasadenie modelov do produkcie (MLOps)