ML-инженер (удаленная работа)

Вакансия: ML-инженер

Описание вакансии

Мы AI-студия, разрабатывающая интеллектуальные текстовые решения для бизнеса: от автоматизации клиентского сервиса до систем управления знаниями. Наши продукты ежедневно обрабатывают десятки тысяч обращений, и мы активно масштабируем применение LLM в продакшене. Команда 15 инженеров и исследователей, плоская структура, быстрые циклы экспериментов.

Чем предстоит заниматься:

Обучать и дообучать NLP-модели под задачи продукта: классификаторы, эмбеддеры, ранкеры, генеративные модели. Полный цикл от сбора и подготовки данных до вывода в продакшен.
Дообучать open-source LLM (Qwen, Llama, Mistral и аналоги) методами SFT, LoRA/QLoRA, RLHF: ставить эксперименты, подбирать данные, анализировать поведение модели.
Обучать и улучшать собственные модели для задач классификации, кластеризации, суммаризации, семантического поиска и text matching.
Проектировать и проводить эксперименты: формулировать гипотезы, строить бейзлайны, подбирать метрики, анализировать ошибки моделей.
Строить пайплайны оценки качества NLP/LLM-решений: автоматические метрики, LLM-as-a-judge, симуляции диалогов, организация и постановка разметки.
Оптимизировать инференс: квантизация, дистилляция, работа с vLLM/TGI, профилирование, снижение латентности и стоимости.
Работать с данными: сбор, очистка, анализ датасетов, построение пайплайнов подготовки данных для обучения и оценки.
Внедрять модели в прикладные системы (RAG, агенты, поисковые пайплайны) совместно с продуктовой командой.
Переводить бизнес-задачи в ML-постановки, проводить A/B-тесты, оценивать влияние моделей на продуктовые метрики.

Мы ожидаем:

Опыт работы в NLP / ML от 2 лет с фокусом на обучение и дообучение моделей.
Уверенное владение PyTorch: написание и отладка training loop, работа с кастомными датасетами, понимание backward pass и оптимизаторов.
Опыт обучения и дообучения трансформерных моделей (BERT-подобные, encoder-decoder, decoder-only) под прикладные задачи.
Практический опыт дообучения LLM: SFT, LoRA/QLoRA, подготовка данных для файнтюна, анализ поведения модели после обучения.
Понимание архитектуры Transformer на уровне деталей: attention (MHA/GQA), позиционные кодировки, токенизация, особенности генерации.
Знание классического NLP и ML: embeddings, tf-idf, классификация, кластеризация, метрики качества (precision/recall/F1, BLEU, ROUGE и др.).
Опыт работы с данными для NLP: сбор, очистка, разметка, аугментация, анализ ошибок.
Уверенное владение Python на уровне продакшн-кода (asyncio, typing, тестирование).
Понимание принципов оптимизации инференса: квантизация, batching, KV-cache, профилирование.
Опыт работы с библиотекой Transformers (HuggingFace) и экосистемой вокруг неё (datasets, tokenizers, PEFT, TRL).
Уверенная работа с Linux, Git, Docker.
SQL на уровне аналитических запросов.
Умение готовить понятные отчеты и объяснять результаты нетехнической аудитории.

Будет преимуществом:

Опыт проектирования RAG-систем и работы с векторными хранилищами (Qdrant, Milvus, pgvector, OpenSearch).
Опыт разработки агентских систем (LangChain, LangGraph или аналоги).
Опыт обучения моделей на GPU-кластерах, понимание distributed training на базовом уровне (DDP/FSDP).
Опыт работы с vLLM, TGI, Triton Inference Server.
Опыт постановки задач на разметку и приемки результатов от асессоров.
Опыт проведения и анализа A/B-тестов.
Участие в ML/DS-соревнованиях (Kaggle и т.д.) или вклад в open-source проекты.
Опыт работы с Apache Spark, Airflow, Kafka.
Понимание принципов MLOps: версионирование моделей, воспроизводимость экспериментов, мониторинг.

Наш стек:

Python, PyTorch, Transformers, LangChain/LangGraph, vLLM, Docker, Git, PostgreSQL, ClickHouse, Redis, S3, FastAPI, Linux.

Условия:

Удаленная работа или гибрид (на ваш выбор).
Гибкое начало рабочего дня.
Официальное оформление по ТК РФ.
Конкурентная заработная плата с пересмотром по результатам.
Бюджет на обучение и конференции.
Команда, которая ценит эксперименты, обмен знаниями и инженерную культуру.