Практическое понимание model-based learning и world models
Опыт с временными рядами, прогнозированием или детекцией аномалий
Знание causal inference на прикладном уровне
Опыт оптимизации inference через ONNX Runtime, CUDA, batching, quantization или GPU-aware deployment
Опыт с LoRA, fine-tuning, MoE или LLM routing
Понимание нейросимвольных систем, rule engines либо связки ML и формального reasoning
Опыт работы с приватными, чувствительными или мультиарендными данными
Понимание подходов safe ML: confidence thresholds, human/system fallback, fail-safe execution
Уверенное владение Python и PyTorch
Практический опыт разработки, обучения или интеграции ML-моделей в production-окружение
Опыт работы с embeddings, semantic search, vector databases или RAG/retrieval-пайплайнами
Понимание жизненного цикла ML-компонента: данные, подготовка, inference, метрики, мониторинг, деградация модели
Опыт работы с Docker и Git
Понимание REST API и принципов интеграции ML-сервисов с backend
Умение писать поддерживаемый, тестируемый и воспроизводимый код
Английский, достаточный для чтения технической документации и работы с ML-инструментами