ML Engineer (NLP & Backend)

≈ от 250 000 ₽наша оценка по вакансиям этой роли и грейда, у работодателя вилка не указана

🏢 ОфисMiddleПолная занятость

Зарплата не указана

Хорошие условия

Навык востребован (Python), 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 разрабатываем AI-агентов, которые анализируют записи со встреч с клиентами, взаимодействуют с внешними системами и формируют рекомендации для клиентских менеджеров. Ищем опытного ML-инженера, который сочетает уверенные навыки в backend-разработке с практическим опытом в NLP.

Чем предстоит заниматься

Разрабатывать высоконагруженные микросервисы на Python/FastAPI и проектировать API для оркестрации AI-агентов

Обучать и дообучать Transformer-модели (RuBERT, TinyBERT) для классификации текста, суммаризации и извлечения сущностей

Строить асинхронные пайплайны обработки данных на Kafka и интегрировать модели в продакшн (batch и real-time инференс)

Проектировать и внедрять RAG-системы и агентов на LangChain/LangGraph: управление состоянием диалога, A/B-тестирование промптов, мониторинг качества ответов

Бороться с галлюцинациями LLM через метрики детекции ошибок, предиктивное предотвращение и техники оптимизации моделей (дистилляция, квантизация)

Писать надежный код с покрытием тестами, участвовать в архитектурных обсуждениях и code review

Настраивать observability систем: структурированные логи, трассировку (Jaeger) и сбор метрик (Prometheus/Grafana)

Наши требования

Backend: уверенная разработка на Python от 2-х лет, FastAPI, asyncio, Elasticsearch (сложные запросы, маппинги), проектирование надежной архитектуры (таймауты, ретраи, fallback-и)

ML/NLP: практический опыт файнтюнинга трансформеров, знание матчасти классического ML применительно к тексту, самостоятельное построение пайплайнов подготовки данных

Архитектура ИИ: продвинутый опыт работы с LangChain/LangGraph (управление памятью агента) и Production-разработка RAG-систем (Milvus/Qdrant, контроль качества поиска)

Инфраструктура: работа с брокерами сообщений (Kafka/Pulsar), владение стеком PyTorch, Hugging Face Transformers, Pandas, NumPy

Надежность кода: написание unit- и интеграционных тестов, покрытие критичной бизнес-логики

Борьба с ошибками LLM: понимание природы галлюцинаций, внедрение техник их подавления и мониторинга аномалий вывода

Вывод LLM-продуктов со стадии PoC в highload-production, опыт со стриминговым инференсом или распределенной трассировкой (Zipkin/Jaeger)