ML/AI Developer (удаленная работа)

Вакансия: ML/AI Developer

Описание вакансии

LawCopilot.ai AI-first компания, создающая юридических AI-агентов для среднего и крупного бизнеса в России и Таиланде. Мы работаем с большими данными более 23 млн документов российского законодательства, включая 21 кодекс, 3.8M+ судебных актов и 500K+ нормативных актов. Продукт уже стоит в топовых юридических компаниях России, в компаниях среднего и крупного бизнеса.

Мы привлекли венчурный раунд инвестиций в РФ, чтобы реализовать нашу стратегию - достижения лидерства на российском рынке, и активно расширяем команду ML-инженеров. Наш RAG-пайплайн работает с inline-цитированием, Extended Thinking и 11+ MCP-инструментами. Мы используем несколько провайдеров LLM: Anthropic, OpenAI, YandexGPT, GigaChat.

Чем предстоит заниматься

• qdrant 18.3 с продвинутым пониманием конфигурации, слоёв и коллекций
• Chunking SPC S2B LC DEDUP осознанный отказ от PROP/SEM на структурированном тексте
• Indexing TurboQuant bits4 + rescore/oversampling
• Evaluation Framework, Cоздание repeatable pipeline для измерения качества retrieval: golden dataset из 200+ аннотированных юридических запросов, метрики MRR@K, NDCG@K, Recall@K, Precision@K, faithfulness
• Интеграция в CI/CD каждый PR проходит через eval, порог деградации < 5%
• Hybrid Search Quality Доведение до production связки Dense + BM25 + Cross-Encoder Reranker
• A/B тестирование трёх режимов, калибровка RRF fusion weights, оптимизация reranker pipeline (bge-reranker-v2-m3, 568M params)
• Цель Recall@10 85%
• Улучшение Recall (качество извлечения) Системная работа над повышением полноты извлечения релевантных документов из базы в 23M+
• Оптимизация query expansion: автоматическое расширение запросов синонимами и смежными нормами (например, неустойка ст. 330 ГК + штрафные санкции )
• Исследование multi-hop retrieval для сложных юридических вопросов, затрагивающих несколько кодексов
• Тюнинг HNSW-параметров (m, ef construct, ef search) под 4096-dim векторы
• Анализ и устранение failure cases: когда и почему релевантный документ не попадает в топ-K
• Цель Recall@10 с текущего baseline до 85%, Recall@20 93%
• Chunking Quality Оптимизация разбиения юридических текстов: semantic/agentic chunking, специализированные чанкеры для разных типов документов
• Переиндексация 23M документов за дни, а не месяцы: параллелизация, batching, resume/checkpoint, оценка local vs API embeddings
• Оптимизация разбиения юридических текстов: semantic/agentic chunking, специализированные чанкеры для разных типов документов

• 23M+ vectors в < 120GB RAM: INT8 scalar, binary quantization, HNSW tuning для 4096-dim vectors, ON DISK payload

Что мы ожидаем

• Python 3+ лет production (FastAPI, async/await, Pydantic)
• Векторные БД практический опыт (Qdrant / Pinecone / Weaviate / Milvus)
• RAG-пайплайны глубокое понимание: chunking embedding retrieval reranking generation
• Embedding-модели sentence-transformers, FRIDA, ColBERT, OpenAI embeddings или аналоги
• Hybrid search Dense + BM25/Sparse, fusion strategies (RRF, weighted)
• IR -метрики практический опыт с MRR, NDCG, Recall@K, Precision@K
• Docker уверенная работа с docker-compose, multi-service стеки

Сильный плюс

• Qdrant named vectors, payload indexes, quantization, hybrid search
• Cross-encoder reranking bge-reranker, ColBERT или аналоги
• NLP для русского языка токенизация, морфология, юридическая терминология
• Anthropic Claude / MCP tool definitions, streaming, prompt engineering
• PostgreSQL Alembic migrations, async (asyncpg)
• Redis session management, caching
• gRPC опыт с Qdrant gRPC client
• Legal domain опыт в LegalTech, работа с нормативными документами

Soft Skills

• Самостоятельность async-формат работы, минимальный микроменеджмент
• Метрический подход каждое изменение измеримо (before/after eval)
• Документирование README, inline comments для неочевидных решений
• Английский чтение документации, коммиты на английском

Формат

Гибридный (удалённо + офис)

Офис

МИК Ломоносов , Москва, Раменский бульвар, 1

Занятость

Полная занятость

Вознаграждение

200 000 350 000 /мес. в зависимости от уровня компетенций и продуктивности + опционная программа. Возможность роста до CTO