Инженер по машинному обучению

Ориентир по рынку≈ 162 000 – 335 000 ₽наша приблизительная оценка по 34 вакансиям этой роли и грейда, у работодателя вилка не указана

🏢 ОфисMiddleПолная занятость

≈ 162 000 – 335 000 ₽наша приблизительная оценка

Чем предстоит заниматься

Работа в области Data Science с фокусом на решении прикладных задач NLP (обработка естественного языка), CV (компьютерное зрение), классического машинного обучения, а также задач ранжирования и рекомендаций

Применения SOTA (State-of-the-Art) моделей и подходов как минимум в одном из доменов: NLP, CV, Recsys

Работа с большими данными и выводом моделей в продуктовый контур

Разработка и внедрение моделей для бизнес подразделений, развертывания моделей в продакшн с использованием Docker, Kubernetes, а также технологий для мониторинга и управления моделями (например, MLflow, ClearML)

Наши требования

Глубокое знание машинного обучения (регрессия, классификация, кластеризация, временные ряды и др.)

NLP: опыт работы с трансформерными моделями (например, BERT, GPT-like, RoBERTa и др), навыки работы с генеративными моделями и системами анализа текста (NER, классификация текстов, эмбеддинги, синтаксический и семантический анализ), построение чат ботов, опыт обучения ускорения и вывода в продакшн LLM

Компьютерное зрение (CV): знание и опыт работы с (ResNet, EfficientNet и др.), детекторами (YOLO, Faster R-CNN) и GAN, опыт обучения ускорения и вывода в продакшн vLLM

Опыт создания рекомендательных систем и решений для ранжирования, использование моделей, таких как Matrix Factorization, Neural Collaborative Filtering, Sequence Models (например, BERT4Rec, GPT4Rec) и др.

Знание и опыт работы с SOTA методами и моделями: fine-tuning и дообучение больших предобученных моделей для специализированных задач

Опыт работы с инфраструктурой: Hadoop, Spark, Apache Kafka, SQL, Airflow, S3

Сильные навыки программирования на Python (основные библиотеки: TensorFlow, PyTorch, scikit-learn, pandas, numpy и др.), а также знание SQL и Git

Навыки оптимизации и развертывания моделей в продакшн с использованием Docker, Kubernetes, а также технологий для мониторинга и управления моделями (например, MLflow, ClearML)