Программист-исследователь

Задачи: — участвовать в проектировании RAG-архитектуры под B2B-кейсы: помогать выбирать источники данных, настраивать ingestion, chunking, базовые стратегии retrieval (dense/hybrid) под руководством более опытных коллег; — настраивать LLM/агентов под предметную область: реализовывать промпты, подключать инструменты (tool calling), работать с контекстом и базовой памятью; — реализовывать POC/POV на данных клиента, проводить итерационные улучшения на основе метрик и обратной связи; — строить Data Ingestion пайплайны с OCR; — реализовывать evaluation-пайплайны: генерация тестовых наборов, запуск auto-eval, участие в human-eval; — считать и анализировать ключевые метрики (accuracy, coverage, latency, user success rate), готовить отчеты для команды; — участвовать в настройке мониторинга: логирование, базовые алерты, анализ неуспешных кейсов и их фиксы; — участвовать в интеграции с инфраструктурой (Kubernetes, облако), работать с метриками и логами; — участвовать в нагрузочном тестировании для оценки скорости инференса и необходимых ресурсов. Требования: — опыт работы с Python (pandas, PyTorch/TF, API LLM); — опыт работы в ML/DS/NLP от двух лет; — опыт работы с LLM/RAG; — понимание полного цикла ML-разработки; — практический опыт работы с RAG: настройка retrieval, работа с embedding-моделями, векторными БД (FAISS, Qdrant, Pinecone и др.); — понимание базовых техник улучшения качества (reranking, filtering, prompt tuning); — опыт работы с агентными фреймворками (LangChain / LangGraph / LlamaIndex / ADK и др.); — базовое понимание agentic-подходов и tool calling; — опыт prompt engineering и настройки LLM под задачи; — базовый опыт fine-tuning (или понимание подходов: LoRA, QLora, instruction tuning); — понимание оптимизации инференса (на уровне использования инструментов: vLLM, quantization и др.); — опыт работы с популярными ML фреймворками: tranformers, vllm, sglang, pytorch; — SQL, базовое понимание работы с данными и пайплайнами; — опыт деплоя сервисов (Docker, FastAPI), базовое понимание Kubernetes/облака; — навыки логирования, мониторинга и базовых A/B-экспериментов; — опыт работы с evaluation для ML/LLM (auto-метрики + участие в ручной оценке, LLM-as-Judge).