Задачи:
— Разработка экосистемы сервисов на базе ИИ для автоматизированного анализа контента и аудитории в мессенджерах.
— Реализация RAG/LoRA и open source LLM для обработки TG-контента, семантического анализа, предсказаний, генерации контента и ИИ-отчетов.
— Закрытие задач по подготовке данных, дообучению моделей и их эффективному развертыванию на собственных мощностях.
Требования:
— Практический опыт работы с bare-metal серверами и видеокартами Nvidia. Умение конфигурировать CUDA, драйверы, мониторить утилизацию памяти VRAM и решать проблемы OOM.
— Способность самостоятельно «под ключ» развернуть open-source модель на собственном сервере - от настройки окружения до оптимизации инференса.
— Глубокие знания и коммерческий опыт дообучения LLM (Llama, Mistral, Qwen и др.) с использованием LoRA / QLoRA / PEFT на доменных данных.
— Экспертные знания пайплайнов Retrieval-Augmented Generation. Опыт интеграции и настройки векторных баз данных (PGVector, FAISS).
— Свободное владение Docker и Docker Compose для локальной сборки и деплоя ML-сервисов.
— Опыт работы с фреймворками высокопроизводительного инференса (vLLM, TGI, ONNX Runtime).
— Уверенный Python (FastAPI, Pydantic), асинхронное программирование (asyncio, aiohttp) и батчинг запросов для минимизации latency.
— Векторизация текста (Sentence Transformers), работа с большими массивами текстовых данных, интеграция с Postgres и Redis.
Условия:
— Стабильный доход: конкурентоспособная заработная плата. Выплаты 2 раза в месяц по 50% или 1 раз в месяц (согласовывается с сотрудником).
— Гибкий формат: график 5;2. На старте (первые 2 месяца) - работа в офисе, далее возможен переход на гибридный формат.
— Профессиональную среду: мотивированная команда, отсутствие бюрократии, возможность напрямую влиять на архитектуру ИИ-сервисов.
— Реальные возможности для профессионального роста и обучения.
Контакты работодателя доступны по кнопке «Откликнуться» после входа.