ML-инженер

Мы развиваем продуктовые решения на стыке ML, NLP и LLM и ищем опытного Data Scientist уровня middle+ или senior, который готов не только разрабатывать модели, но и влиять на архитектуру, технологический стек и направления развития продукта.

Чем предстоит заниматься:

1. Проектировать и развивать ML/NLP-модули для продуктовых фич и R&D-инициатив:
   • модели на основе современных LLM и классического ML;
   • пайплайны для обработки текстовых и мультимодальных данных.
2. Разрабатывать и улучшать RAG-системы:
   • выбор и настройка векторных баз данных;
   • дизайн пайплайнов поиска, ранжирования и генерации ответов;
   • оптимизация качества извлечения и генерации.
3. Интегрировать LLM и ML-модули в продукт:

• участие в разработке архитектуры решения;
• интеграция через API с внешними сервисами и внутренними системами;
• совместная работа с backend/infra-командой.

4. Влиять на архитектуру и технологический стек:

• участие в выборе фреймворков, библиотек и сервисов;
• проектирование структур данных и ML-пайплайнов;
• участие в выработке технических стандартов и best practices.

5. Работать с данными по полному циклу:

• сбор, предобработка и очистка данных;
• формирование датасетов для обучения/валидации;
• анализ качества и мониторинг деградации моделей.

6. Оптимизировать производительность и качество:

• эксперименты с архитектурами моделей и гиперпараметрами;
• оптимизация latency и стоимости запросов к LLM/инфраструктуре;
• рефакторинг и повышение читаемости/поддерживаемости кода.

7. Взаимодействовать с продуктовой командой:

• участие в формулировке задач и критериев успеха;
• декомпозиция задач, оценка сроков, прозрачная коммуникация по статусу;
• презентация результатов и обоснование технических решений.

1. Уверенное владение Python для продакшн-разработки:

• работа со стандартным стеком разработки (типизация, тестирование, логирование);
• опыт написания чистого и поддерживаемого кода.

2. Практический опыт в ML и NLP:

• использование библиотек transformers (Hugging Face), PyTorch или TensorFlow, scikit-learn;
• опыт обучения, дообучения и инференса моделей в реальных задачах.

3. Понимание и опыт работы с RAG-системами:

• концепции retrieval-augmented generation;
• векторные представления, similarity-поиск, индексация;
• базовые принципы проектирования таких систем.

4. Опыт работы хотя бы с одной векторной БД:

• Weaviate, Qdrant, Milvus/Zilliz, Pinecone, Chroma, FAISS или аналоги.

5. Понимание фреймворков для оркестрации LLM:

• практический опыт или уверенное знакомство с LangChain, LlamaIndex и т.п.

6. Глубокое понимание базовых концепций ML:

• линейная алгебра, теория вероятностей, математическая статистика;
• принципы обучения, валидации и оценки качества моделей;
• понимание переобучения, регуляризации, выбор метрик.

7. Навыки работы с API:

• интеграция с внешними LLM/ML-сервисами;
• разработка и использование собственных сервисов/endpoint-ов.

8. Навыки работы с данными:

• предобработка и трансформация данных (JSON, CSV, текст, SQL/NoSQL);
• уверенное владение инструментами анализа данных (pandas или аналоги).

9. Опыт самостоятельного ведения задач end-to-end:

• от постановки и проработки решения до внедрения;
• способность обосновывать выбор подхода и архитектуры.

10. Умение принимать технические решения:

• сравнение альтернативных подходов и стеков;
• умение объяснить trade-offs для бизнеса и команды.

11. Развитые навыки коммуникации:

• умение работать с неопределённостью;
• умение объяснять сложные вещи простым языком для продукта/бизнеса.

Будет плюсом:

1. Продакшн-опыт и опыт работы с инфраструктурой:

• контейнеризация (Docker);
• базовое понимание CI/CD и мониторинга/логирования ML-сервисов.

2. Опыт создания или масштабирования RAG-систем:

• работа с большими корпусами документов;
• тюнинг relevancy/recall/precision, reranking.

3. Опыт работы с мультимодальными моделями (текст+изображения/аудио/таблицы) и кастомными пайплайнами.

4. Участие в open-source проектах, публикации/доклады на тему ML/NLP/LLM, ведение технического блога.

5. Опыт архитектурного проектирования ML-систем:

• проектирование data/feature store, inference-сервисов, очередей;
• взаимодействие с MLOps-инструментами (MLflow, Airflow и др.).

Работа у нас – это:

• Работа в развивающейся международной компании с перспективой роста;
• Удаленный формат работы;
• Официальное трудоустройство в аккредитованной IT компании;
• Прозрачная система вознаграждения;
• Возможность соблюдать баланс работы и отдыха (work/life balance);
• Программа Work&Life Bonus (компенсация медицинских услуг, фитнеса, рабочего оборудования, а также обучения и курсов);
• Возможность посещения внутренних митапов и неформальных мероприятий;
• Обширные ресурсы и компетенции Компании для реализации ваших проектов и идей.