ML-инженер в лабораторию ИИ

Ориентир по рынку≈ 135 000 – 300 000 ₽наш грубый ориентир по 182 вакансиям этого грейда на рынке, без учёта специальности: у работодателя вилка не указана

🏢 ОфисMiddleПолная занятостьКорпорация

≈ 135 000 – 300 000 ₽наша приблизительная оценка

Стоит ли откликаться

Стоит откликнуться, но спросите про деньги

Сумму в объявлении не указали. Сколько платят за похожую работу, видно в разборе. Вакансия живая, задачи расписаны.

3 из 4 в норме

Зарплата не указана: ваша цель, нижняя граница и фраза для первого созвона

Наша компания

Привет! Я Радослав, руковожу группой ML-разработки в лаборатории ИИ. Мы занимаемся прикладными исследованиями для продуктов Яндекса и делаем прототипы новых решений. Во многих задачах заранее непонятно, что сработает, — в этом и интерес. Ищу человека, которому тоже нравится разбираться, пробовать и доводить идеи до результата. Многому научим: преподавательский опыт у меня есть ;) Радослав Нейчев

О роли

Руководитель группы ML-разработки лаборатории искусственного интеллекта Наша лаборатория занимается прикладными исследованиями: мы улучшаем продукты Яндекса и делаем прототипы новых решений. Работаем с NLP, CV, RL, звуком и, конечно, на стыке этих областей. В общем, сначала разбираемся, какая реальная боль перед нами стоит, какую задачу решать, а уже потом выбираем подходящие инструменты.

Чем предстоит заниматься

Механизм для оценки значимости научных публикаций

Ищем новый способ оценить вклад научных публикаций: просто оценка количества цитирований достаточно грубая. Это может помочь и фильтровать информационный поток (все публикации всё равно не прочитать), и готовить данные для обучения новых поколений языковых моделей

Нейродетектор для текстов, изображений и кода

Учим модели отличать сгенерированные тексты, изображения и код от созданных человеком. При этом генераторы тоже развиваются, поэтому хочется, чтобы детектор справлялся и с новыми моделями. Как этого добиться — один из вопросов, с которыми предстоит разбираться

Автоматизация проверки уровня знаний

Автоматизируем проверку знаний там, где личная проверка один на один с собеседующим/преподавателем невозможна. Здесь много открытых вопросов: как собирать данные, как проверять качество оценки и насколько вообще ей можно доверять

Методология анализа предпочтений LLM

Исследуем, что предпочитают языковые модели, как это измерить и чем можно объяснить результат. Разрабатываем методологию и проверяем её экспериментами. Тут придётся подумать и над самими экспериментами, и над тем, какие выводы из них действительно можно сделать

Больше об ML в Яндексе — в канале Yandex for ML