ML Engineer (LLM, RAG)

LIAN — системный интегратор с фокусом в аналитике и управлении данными.

Мы работаем в трех направлениях:

1. Автоматизация управленческой отчетности (BI) в малом и среднем бизнесе. Строим хранилища данных, настраиваем сбор и интеграцию, разрабатываем отчеты и дэшборды. Наш стек в BI включает все современные инструменты, в том числе open-source ПО.

2. Заказная разработка аналитических систем. Когда у нашего клиента есть специфичный запрос, мы разрабатываем аналитические системы с нуля. Часто применяем подходы BigData, Data Science, актуальные подходы к программному анализу данных и прогнозированию.

3. Запуск и ресурсное обеспечение команд разработки в комплексных проектах цифровой трансформации. Мы усиливаем команды наших партнеров и клиентов собственными сотрудниками и обеспечиваем максимально быстрый старт новых проектов. Среди наших заказчиков - крупные системные интеграторы, банки, нефтегазовые, химические производства, логистические компании, стартапы.

- Определение структуры и требований к данным для новых фич и продуктов.
- Быстрая разработка прототипов AI‑решений (MVP): от подготовки данных и настройки моделей до простого интерфейса и интеграции.
- Тестирование и сравнение различных ML‑подходов (классификация, кластеризация, ранжирование) и оценка сторонних решений для внутренних задач.
- Проектирование архитектуры AI‑решений и написание чистого, поддерживаемого production‑кода на Python.
- Построение и оптимизация RAG‑систем, работа с векторными БД и управлением индексами.
- Настройка логирования, мониторинга и автоматизированного деплоя моделей (MLOps).

- Опыт в Data Science / ML: от 3 лет.
- Высшее образование: IT, техническое или математическое.
- Уверенное владение Python и умение писать чистый, поддерживаемый production‑код.
- Практический опыт классического ML: классификация, регрессия, кластеризация.
- Глубокое знание библиотек: scikit‑learn, XGBoost/LightGBM, numpy, pandas, matplotlib/seaborn/plotly.
- Понимание feature engineering и методологий оценки качества моделей.
- Знание SQL и опыт работы с реляционными БД.
- Опыт работы с системами контроля версий (Git).
- Опыт создания и сопровождения ML‑сервисов (FastAPI, Flask).
- Понимание REST/gRPC API, микросервисной архитектуры и контейнеризации (Docker).
- Владение инструментами CI/CD и принципами MLOps; опыт развёртывания в Kubernetes‑окружении.
- Навыки настройки логирования и мониторинга для ML‑компонентов.
- Знание архитектурных паттернов для LLM; понимание transformer‑моделей, attention, GPT‑архитектур.
- Опыт тонкой настройки LLM (LoRA, QLoRA, адаптерные подходы).
- Опыт работы с крупными языковыми моделями и инструментами (Hugging Face, vLLM и т.п.).
- Опыт построения и оптимизации Retrieval‑Augmented Generation (RAG) систем.
- Опыт работы с векторными базами данных: подбор решения, оптимизация запросов, управление индексами.
- Навыки prompt engineering, prompt chaining, function calling, управление контекстом и «contextual memory».
- Умение работать с неструктурированными данными.
- Способность самостоятельно доводить решение до рабочего прототипа и внедрять в продукт.
- Готовность быстро изучать и внедрять новые LLM‑технологии.

Желательно (будет плюсом):
- Опыт production‑оптимизации inference (latency, batching, quantization).
- Опыт работы с облачными провайдерами и их ML‑инструментами.
- Знание современных практик безопасности и приватности при работе с данными и моделями.

- Трудоустройство по ИП/СЗ
- Удаленная работа по РФ, 5/2 по МСК
- Работа с современными и передовыми технологиями
- Широкие возможности для профессионального и карьерного роста