AI исследователь

Задачи: — Разработка генеративных ИИ-моделей для синтеза визуального и проектного контента на основе структурированных данных товарного каталога в рамках проверки гипотез (PoC) внутри корпоративной платформы по оценке ИИ-инициатив — Разработка архитектуры агентов: управление состоянием диалога и контекстом, динамический выбор инструментов (tool calling), настройка уровней автономности и сценариев human-in-the-loop — Построение системы метрик: разработка офлайн- и онлайн-показателей, кросс-валидация, прямая оценка бизнес-эффекта — Непрерывный мониторинг дрейфа моделей и качества данных в продакшене — Построение пайплайнов оценки (LLM Evals): контроль галлюцинаций, релевантности ответов и мониторинг поведения системы — Обеспечение безопасности: защита от prompt injection, предотвращение утечек персональных данных (PII/privacy) и аудит прав доступа агента — Оценка стоимости, latency и масштабируемости LLM-решений Требования: — Глубокое понимание жизненного цикла ML-модели: от подготовки признаков до интерпретации результатов — Знание методов борьбы с переобучением, data leakage, регуляризации — Уверенный выбор алгоритмов под задачу — Владение матстатистикой для проверки гипотез, расчета доверительных интервалов и самостоятельного дизайна A/B-тестов — Опыт работы хотя бы в одном из направлений: классическое машинное обучение, временные ряды и прогнозирование — Языки и библиотеки: Python (pandas/polars, NumPy, scikit-learn, CatBoost/XGBoost/LightGBM, PyTorch), продвинутый SQL — Написание поддерживаемого production-кода: модульная архитектура, юнит-тесты, логирование, документация, работа с GitFlow и код-ревью — Практический опыт работы с API языковых моделей, платформой Hugging Face и orchestration-фреймворками — Опыт работы в e-commerce, retail или других продуктовых highload-системах — Инфраструктура и оркестрация: Airflow, MLflow, Kafka, Redis, Kubernetes — Мониторинг и наблюдаемость: Prometheus, Grafana, OpenTelemetry — Опыт эксплуатации GPU-инфраструктуры и оптимизации inference — Адаптация моделей через fine-tuning (LoRA/PEFT) — Опыт проектирования agentic workflows или multi-agent-систем — Понимание принципов информационной безопасности, privacy и работы с персональными данными