Мы строим внутреннюю платформу AI-агентов, которая меняет то, как устроены операционные процессы: от управления качеством до цепочки поставок. Вам предстоит возглавить команду, которая реализует эту платформу — выстроить процессы, вырастить инженеров и обеспечить стабильную поставку ML-решений в среде, где каждое техническое решение влияет на безопасность реального производства.
Что вы будете делать
Руководить ML-командой — ставить задачи, проводить ревью, помогать инженерам расти и принимать решения по найму и структуре команды.
Развивать платформу AI-агентов — определять архитектурные подходы, приоритизировать компоненты и следить за тем, чтобы платформа решала реальные операционные задачи, а не существовала ради себя.
Выводить модели и агентов в прод — выстраивать процессы обучения, валидации, деплоя и мониторинга, так, чтобы это работало стабильно в условиях производственной среды.
Строить MLOps-процессы — версионирование данных и моделей, воспроизводимость экспериментов, автоматизация пайплайнов и контроль качества на каждом этапе.
Синхронизироваться с продуктом и бизнесом — переводить задачи из управления качеством, цепочки поставок и других операционных функций в конкретные ML-постановки.
Следить за качеством и деградацией моделей — выстраивать мониторинг, реагировать на дрейф данных и держать метрики под контролем, понимая цену ошибки в регулируемой среде.
Что важно для нас
Опыт руководства ML- или Data-Science-командой — вы уже принимали решения по найму, задачам и техническому направлению.
Уверенный инженерный бэкграунд: понимание архитектуры распределённых систем и умение читать и обсуждать чужой код.
Практический опыт вывода моделей в продакшн — не просто обучение, а полный цикл до живого сервиса со стабильным мониторингом.
Знание MLOps-практик: CI/CD для ML, трекинг экспериментов, управление зависимостями и воспроизводимость.
Понимание принципов построения агентных систем — оркестрация, инструменты, управление состоянием, надёжность.
Умение общаться с не-ML-аудиторией — продуктом, операционными функциями, ИБ и юристами — и находить решения, которые устраивают всех.
Реальные задачи из управления качеством, цепочки поставок и производства — без искусственных датасетов и учебных кейсов.
Работу в среде, где технические решения имеют вес: их видят регуляторы, ими пользуются операционные команды.
Сильное инженерное окружение, доступ к платформенной инфраструктуре и внутренним языковым сервисам.
Пространство для роста: от технических решений до стратегии направления.