Разработчик AI

🏢 ОфисMiddleПолная занятость

Зарплата не указана

Есть о чём спросить

Навык востребован (AI), за такой навык на рынке платят больше. Но вилки нет, про деньги придётся договариваться с нуля.

Нажмите на сигнал, чтобы увидеть, на чём он основан

Наша компания

Мы развиваем AI-лабораторию и ищем Senior ML Engineer, который будет заниматься созданием и развитием прикладных AI- и ML-решений для реальных бизнес-задач. В команде можно работать с разными направлениями: классическим ML, NLP и LLM, агентными системами, Computer Vision, речевыми и мультимодальными технологиями.

О роли

Нам нужен сильный ML-инженер, который умеет самостоятельно погружаться в задачу, выбирать оптимальный технический подход, проводить эксперименты и доводить решения до production. Важна не только экспертиза в конкретной области, но и широкий инженерный кругозор, интерес к новым технологиям и готовность работать с разными типами ML-задач.

Чем предстоит заниматься

Проектировать и разрабатывать ML-решения для прикладных бизнес-задач в различных направлениях: классический ML, NLP/LLM и агентные сценарии, Computer Vision, речевые и мультимодальные технологии

Определять технический подход к задаче: выбирать модели и архитектуру решения, проводить эксперименты, сравнивать альтернативы и принимать решения с учетом качества, производительности, стоимости и ограничений эксплуатации

Вести ML-часть решения end-to-end: от анализа задачи и разработки прототипа до подготовки модели к inference, интеграции и промышленного запуска совместно с Backend- и MLOps-разработчиками

Разрабатывать подходы к оценке качества ML-систем: формировать метрики, evaluation-наборы и тестовые сценарии, проводить анализ ошибок и контролировать качество решений после запуска

Оптимизировать модели и ML-пайплайны по качеству, latency, throughput и потреблению вычислительных ресурсов

Участвовать в проектировании общей архитектуры решений и технической декомпозиции ML-задач

Проводить code review и помогать в развитии менее опытных разработчиков команды

Наши требования

Опыт разработки production-систем на базе LLM, RAG или агентных подходов, включая tool calling, multi-step workflows и evaluation

Опыт fine-tuning / PEFT и адаптации современных нейросетевых моделей

Практический опыт более чем в одном ML-направлении, например NLP + CV, Speech + NLP или LLM + классический ML

Опыт работы с мультимодальными моделями

Опыт оптимизации inference, включая GPU-нагрузки, batching, quantization и работу с высоконагруженным model serving

Знакомство с vLLM, Triton, SGLang или аналогичными inference-фреймворками

Опыт работы с MLflow / ClearML, Docker и Kubernetes

Опыт менторинга ML-разработчиков и технического лидерства в рамках проектов

От 4 лет коммерческого опыта разработки ML-решений на Python

Глубокое понимание методов машинного обучения и нейронных сетей, принципов обучения и валидации моделей, выбора метрик и анализа ошибок

Сильный практический опыт хотя бы в одном из направлений: NLP/LLM, Computer Vision, речевые технологии, классический ML или мультимодальные модели

Опыт самостоятельного проектирования ML-решения: от постановки задачи и выбора подхода до оценки результатов и подготовки решения к production

Практический опыт работы с PyTorch и современными ML-библиотеками

Понимание полного жизненного цикла ML-систем: подготовка данных, эксперименты, обучение, evaluation, inference, deployment и мониторинг

Опыт вывода ML-моделей или ML-сервисов в production и понимание требований к производительности, надежности и воспроизводимости решений

Умение быстро разбираться в новых моделях, подходах и предметных областях и выбирать технологию исходя из задачи, а не из заранее заданного стека

Опыт взаимодействия с Backend-, Data- и MLOps-разработчиками

Опыт принятия технических решений, проведения code review и декомпозиции сложных ML-задач

Python, PyTorch, scikit-learn, Hugging Face / Transformers

В зависимости от задачи работаем с классическим ML, NLP/LLM, RAG, embeddings, reranking, tool calling и агентными сценариями, а также решениями в области Computer Vision, Speech и мультимодальных моделей

Для экспериментов и управления жизненным циклом моделей используем MLflow / ClearML

Для inference и serving — FastAPI, vLLM, Triton, SGLang и аналогичные решения

Хранилища: PostgreSQL, ClickHouse, Redis, векторные БД

Инфраструктура: Docker, Kubernetes, Prometheus, Grafana, GitLab CI/CD