Данные и ML вакансии - в офисе

Задачи: — Владеть проблемой, превращая цели в AI-решения в продакшене. — Строить и адаптировать большие языковые модели (LLM); дообучать или дистиллировать модели для повышения производительности. — Обучать собственные модели, включая сбор и оценку данных. — Принимать решения о разработке или покупке на основе чётких метрик и ограничений. — Выпускать функции в продакшен и мониторить их эффективность. Требования: — Опыт инженерной работы 5+ лет с сильными навыками программирования. — Практический опыт с LLM: retrieval, использование инструментов и контекстное проектирование. — Подтверждённый опыт обучения моделей на реальных производственных данных. — Владение Python, PyTorch и использованием GPU. — Английский язык на уровне Intermediate и выше. Желательно: — Опыт работы с инференсом в реальном времени, модерацией контента или рекомендательными системами. — Знакомство с Docker, Kubernetes и облачными платформами. Условия: — Конкурентная зарплата и опционные программы — все являются партнёрами. — Официальное трудоустройство на Кипре (поддержка визы для сотрудника и супруга). — Комфортный офис в Лимассоле с обеспечением питания и перекусов. — Медицинская страховка для сотрудника и семьи. — Возможности для профессионального роста, уроки греческого языка и командные мероприятия.

Задачи: — Улучшение текущих моделей и обучение новых, включая классификаторы, генеративные модели, сложные сценарии на основе агентов и пайплайнов. — Сбор и анализ данных для дообучения, обучение с использованием SFT- и RL-подходов. — Быстрая разработка прототипов и MVP для новых проектов, с фокусом на агентах и RAG для обработки большого контекста. — Автоматизация валидации ML-моделей, внедрение систем автоматической оценки качества моделей в продакшен. Требования: — Опыт в машинном обучении. — Хорошее знание Python. — Уверенное владение классическими алгоритмами и моделями. — Глубокие знания в NLP и LLM. Будет плюсом: — Опыт работы с агентами и RAG-пайплайнами. Условия: — Расширенная медицинская страховка с первого месяца, включая стоматологию, ежегодные чекапы, неотложную помощь за рубежом, лечение критических заболеваний и страхование от несчастных случаев. — Психотерапия в офисе или онлайн. — Лазерная коррекция зрения через год работы. — Ведение беременности и роды через два года. — Страховка для родственников по системе 80/20 (80% оплачивает компания). — Внутренняя образовательная платформа, менторство, программы для руководителей. — Оплата участия в профильных конференциях. — Внутренние проекты для обмена экспертизой. — Гибкий график без фиксированного времени начала и конца рабочего дня. — Льготные жилищные займы для сотрудников российских офисов. — Программы поддержки для детей: страхование, детские дни в офисе, подарки на рождение, чекапы при планировании беременности.

Задачи: — Разработка и внедрение агентов на базе LLM, проектирование ML-компонентов платформы агентов. — Создание агентов, способных обрабатывать сложные multi-turn и multi-modal запросы пользователей. — Разработка систем маршрутизации задач, выбора инструментов и моделей, управление вызовами функций и оркестрация моделей внутри пайплайна. — Замена традиционных классификаторов LLM-пайплайнами и RAG-системами, трансформация старых архитектур в современные пайплайны с LLM, вызовом функций, планированием и рассуждениями. — Дообучение, настройка и интеграция моделей, оптимизация inference, работа с опенсорс-моделями и внутренними, включая fine-tuning, RL и адаптацию под платформу агентов. — Обеспечение быстрой и устойчивой работы агентов на продакшене, оптимизация inference и взаимодействие с инфраструктурой (Eagle, FP8, дистилляция, multi-dimensional parallelism). — Исследования и эксперименты с графами агентов и памятью, эксперименты с вызовами агентов, memory-подсистемами, симуляцией поведения, архитектурами reasoning и системами планирования. — Участие в разработке RL-моделей для обучения диалоговых агентов, постановка и реализация экспериментов с multi-turn reinforcement learning в масштабах Яндекса и Алисы. Требования: — Глубокие знания в Deep Learning и NLP. — Опыт работы с LLM и пайплайнами вокруг них (function calling, memory, RAG). — Опыт внедрения ML-систем в продакшен. — Системное мышление — от архитектуры до интеграции с инфраструктурой. — Владение Python и знакомство с PyTorch. — Готовность к кросс-функциональной работе с бэкендом и продуктовыми командами.

Задачи: — Разработка и внедрение автономных ИИ-агентов и генеративных моделей (LLM, мультимодальные системы) для ускорения проектирования, разработки и развертывания ERP-систем, а также создания интеллектуальных интерфейсов автоматизации — от генерации кода до обработки естественно-языковых запросов пользователей. — Создание ИИ-сервисов и автономных агентов для автоматизации бизнес-процессов. — Обучение и тонкая настройка LLM (Large Language Models) и других ML-моделей под задачи компании. — Анализ данных, разработка алгоритмов для прогнозирования, оптимизации и принятия решений. — Интеграция ИИ-решений в существующие продукты компании. — Участие в научно-исследовательских проектах, публикация результатов (при желании). Требования: — Опыт в работы в IT от 5-ти лет. — Опыт работы в области Machine Learning, Deep Learning или Data Science от 3-ех лет. — Знание Python и ряда библиотек для ML/DL таких как TensorFlow, Pandas, PyTorch, scikit-learn и др. — Опыт работы с NLP, LLM (GPT, Llama, Mistral и т. д.), RAG, автономными агентами. — Понимание принципов работы ERP-систем (желательно). — Умение работать с большими данными (SQL, NoSQL). — Знание методов обучения с подкреплением (RL) — будет плюсом. — Английский язык (уровень для чтения технической документации). Условия: — Официальное оформление и стабильный доход по ТК РФ. — Все льготы и преимущества работы в аккредитованной ИТ-компании. — Программа ДМС с первых дней. — Работа в офисе с гибким началом рабочего дня. — Московский офис в шаговой доступности от м. Динамо, оборудованный всем необходимым для комфортной работы и отдыха.

Рассматриваем и сильных выпускников с заметными достижениями - олимпиады.

Требуется ML-инженер в компанию SimbirSoft. Требуемые навыки: — Python

Мы ищем ML-разработчика для создания и развития моделей машинного обучения в продуктах информационной безопасности.

Работа на месте в Базеле, Швейцария. Подробное описание вакансии доступно на LinkedIn по ссылке: https://www.linkedin.com/jobs/view/4461292600/.

Задачи: • Владение архитектурой и поставкой сервисов прогнозирования, ранжирования и рекомендаций. • Проектирование воспроизводимых рабочих процессов обучения, оценки, мониторинга и переобучения. • Перевод целей продукта в измеримые задачи машинного обучения, эксперименты и релизы. Требования: • Более 5 лет профессионального опыта в разработке программного обеспечения или машинного обучения с производственными системами. • Продвинутые знания Python и SQL; сильные навыки в статистике, экспериментах и оценке моделей. • Опыт работы с оркестрацией, контейнерами, облачной инфраструктурой, наблюдаемостью и CI/CD. • Умение отлаживать ошибки данных и моделей. • Опыт в прогнозировании, ранжировании, рекомендациях, оптимизации или другой прикладной области машинного обучения. • Владение английским языком для технической документации и межфункционального взаимодействия.

Ipotekabank — банк в Узбекистане, входящий в международную финансовую OTP Group, специализирующийся на ипотечном и розничном кредитовании. Вакансии: - Senior Software Engineer (AI) - Senior/Middle Data Engineer Офис в Ташкенте.

Ipotekabank — банк в Узбекистане, входящий в международную финансовую OTP Group, специализирующийся на ипотечном и розничном кредитовании. Вакансии: - Principal QA Engineer (AI Engineering) - Senior QA Engineer - Senior QA специалист Офис в Ташкенте.

Location: Almaty, Kazakhstan Workplace: OnSite WHY WORK AT HIGGSFIELD AI? Higgsfield AI is the fastest-scaling generative AI company in history, hitting $1B in annual revenue run rate, 25M+ users worldwide, 6M+ generations per day, and powering 390 of Fortune 500 brands. We're building at the absolute frontier of AI-powered video creation and next-generation creative tools. Joining Higgsfield means becoming part of a high-impact team shaping the future of AI-native experiences, at a company that isn't just moving fast, but rewriting what fast looks like. WHAT THIS ROLE MEANS AT HIGGSFIELD This role owns how Higgsfield measures its product - from the first sign-up to whether people come back. You are the measurement owner for onboarding, first generation, the paywall, plans and credits, and retention. Product managers ship fast here - your job is to make sure they ship knowing. You make sure: - Every product decision has a number attached to it before it ships and after it ships - Experiments are designed to be readable, and then read honestly - including when the answer is “this didn’t work” - The events the product emits can be trusted; you own the definition, not just the query - A PM gets an answer in hours, not next sprint You are the person who decides what “it worked” means. WHAT YOU WILL DO Product measurement - Own the core product metrics: activation, first-generation success, generation depth, free→paid conversion, repeat usage, retention by cohort and segment. - Define each metric once, write the definition down, and hold the line on it - one definition across dashboards, decks, and Slack. - Instrument new features before launch, with product and engineering: which events, which properties, what success looks like, when we call it. - Watch the health of the event stream itself - tracking drift, double counting, missing parameters, naming breakage and find the problem before a decision gets made on top of it. Experimentation - Design A/B tests properly: hypothesis, one primary metric, unit of randomization, MDE, sample size, run length, guardrail metrics. - Read them honestly: significance, peeking, novelty effects, sample-ratio mismatch, segment heterogeneity. - Separate “we proved this works,” “we proved this doesn’t,” and “we can’t tell from this test” - and say which one out loud. Product & monetization analysis - In-product funnel work: onboarding and quiz, first generation, paywall, checkout, plan choice, credit top-ups. - Pricing and packaging analysis: plan mix, credit consumption, unit economics per generation, margin by feature and by model. - Feature adoption and its real effect on retention and revenue — separating “users who do X retain better” from “making people do X improves retention.” - Behavioural segmentation: casual creators vs corporate/B2B, new vs returning, by model and by use case. Mixing them hides everything that matters. Making it usable - Build the few dashboards PMs actually open on their own — decision-shaped, not comprehensive. - Write short readouts a non-analyst can act on. Visualize data for humans, not for other analysts. - Automate recurring reporting so your hours go to new questions, not refreshes. - Work in SQL, Python, BigQuery and product analytics tools. We use AI heavily - resourcefulness beats syntax. WHO WE'RE LOOKING FOR We're looking for an analyst with opinions. You should have: - Strong SQL: window functions, cohorts, funnels and retention on raw event data, without help. - Python at working level for analysis (pandas, notebooks). Entry level is fine - we use AI heavily. - Real experimentation experience: you have designed tests, run them, and killed features with the results. - Statistical honesty: you know what a p-value does and does not entitle you to say, and you have refused to call a flat test a win. - Understanding of subscription + one-time purchase mechanics: recurring vs one-off revenue, refunds, plan changes, deferred value of unspent credits. - The instinct to check the instrument before explaining the movement - a surprising number is a claim, not a fact. - Ownership: you decide what's worth analyzing, you chase the fix, you follow the recommendation to a shipped change. - Clear written and spoken English, B2+. Backgrounds that often do well: - Product analysts from consumer subscription or PLG products - Growth/BI analysts who moved into product and stayed - Early-startup analysts who built product measurement from zero - Data scientists who got tired of models and want decisions WHAT THIS ROLE IS NOT This role is not a fit if you: - Wait for a ticket to tell you what to analyze - Want to build models more than you want to change decisions - Need a data engineering team and clean tables to exist before you can start - Would report a lift you don't believe in because a stakeholder wants it - Need perfect data before you can say anything useful - Want predictable 9–5 workdays HIRING PROCESS - Screening call (30 min) - Hiring-manager screen (30 min) - Business case (1 hour) - Take-home with real-shaped data (7 days, ~10–12 hours of work) - Team interview (60 min) - Paid on-site trial (1 month) WHAT WE OFFER - Competitive base salary in USD, based on your experience, skills, and the scope of the role. - Equity participation through the company’s stock option program, giving you the opportunity to share in Higgsfield’s long-term growth. - Relocation support to Almaty for candidates moving from another city or country. - A highly collaborative, fast-paced environment where you can work directly with experienced leaders and have a meaningful impact on the product and company. - Opportunities for professional growth, ownership, and career development as the company scales. - Company-provided equipment, meals, transportation, or other office benefits.

Location: Almaty, Kazakhstan Workplace: OnSite WHY WORK AT HIGGSFIELD AI? Higgsfield AI is the fastest-scaling generative AI company in history, hitting $1B in annual revenue run rate, 25M+ users worldwide, 6M+ generations per day, and powering 390 of Fortune 500 brands. We're building at the absolute frontier of AI-powered video creation and next-generation creative tools. Joining Higgsfield means becoming part of a high-impact team shaping the future of AI-native experiences, at a company that isn't just moving fast, but rewriting what fast looks like.   WHAT THIS ROLE MEANS AT HIGGSFIELD Right now we treat 25M+ people as one user. The same paywall, the same discount, the same lifecycle email, the same retention effort. And we mostly conclude that a campaign worked by looking at what the people we sent it to did next — which is not the same thing. This role makes the company act per user, and know what that action was worth. You own both halves of that: the models that decide who we aim at, and the causal reads that say whether it landed. Who is about to leave. Who will come back on their own without us spending anything. Whose decision a discount actually changes. And what a payer is worth over their life, once the discount, the refunds and the compute they consume are all inside the number. You make sure: - Discounts and credit vouchers go to the people whose behaviour they change, and nowhere else - We know who is about to churn early enough to do something about it — and we know whether the something worked - Lifetime value is a number we can defend by cohort, by plan and by the discount a cohort was acquired on, not one blended average that hides all three - Every model and every campaign has a holdout behind it, so we can always state what it is worth in money WHAT YOU WILL DO Churn, retention & lifecycle propensity - Build churn and downgrade prediction for subscribers, and repeat-purchase propensity for one-time credit-pack buyers — two different machines, not one model with a flag on it. - Know the difference between a model that predicts churn and a model that reduces it. AUC earned by detecting users who already stopped using the product is worth nothing. - Hunt leakage relentlessly. Cancellation-adjacent features will hand you a beautiful offline number and a useless system. - Pair every score with an intervention and a holdout. The deliverable is a retained user, not a ranked list. Uplift modelling & offer targeting - Own incrementality on everything we aim at a user: discounts, credit vouchers, trials, upgrade prompts, win-back campaigns, retention saves. - Model uplift, not propensity.Targeting the users most likely to convert spends margin on people who were going to convert anyway; the entire value of this work is finding the users whose decision the offer changes. - Design the randomized holdouts that make uplift trainable and measurable in the first place, and keep them running permanently — including the ones marketing will ask you to switch off. - Respect the guardrails. An offer model optimizing conversion alone will happily find the accounts that convert at negative gross margin, and it will find the abuse rings first. Margin and abuse signals are constraints on the objective, not a later cleanup. - Work with Legal on what may be personalized. Personalized pricing and discounting touches consumer-protection and consent rules in several of our markets — you should want that conversation, not route around it. Lifetime value & payer economics - Own LTV: cohort-based, censored honestly, stated on contribution margin rather than gross revenue, and split by plan, segment and acquisition discount. - Model the parts that actually move it — refunds and chargebacks, credit breakage and expiry, plan migration and downgrades, and the compute an unlimited plan consumes. - Make it a decision input, not a slide: what we can pay for a user, which discount depth pays back, which plan we should stop selling. - Keep it current and versioned. A stale LTV curve is worse than no curve, because people act on it. Experimentation & causal measurement - Design and read the experiments behind pricing, packaging, offers and lifecycle — with the product analytics team, not in parallel to it. - Reach for the right tool when a clean experiment is impossible: difference-in-differences, matching, switchback and geo tests, synthetic control — and name the assumption each one is buying. - Separate "users who do X retain better" from "making users do X improves retention." Every time, out loud. - Kill your own results. A finding that doesn't survive a second look should die at your hands, not in a board deck. How we ship - Own the work end to end: framing the decision, features, training, evaluation, the scored audience landing in the tool that sends the offer, monitoring, retraining. - Models ship as batch scores and policy rules into lifecycle tooling, the paywall and pricing — plus the readout that says what they earned. There is no real-time serving stack to babysit. - Monitor for drift. New model launches, price changes, discount campaigns and seasonality all move the ground under a deployed score. - Write down what each model is worth, in money, and keep that number current. WHO WE'RE LOOKING FOR - Experience shipping models that changed what the business did to real users— a targeted campaign, a pricing rule, a retention programme. Notebooks and offline benchmarks are not this. - Depth in at least two of: churn and propensity modelling, uplift & causal ML, LTV and subscription economics, experimentation at scale. - Genuine causal literacy: randomized holdouts, incrementality, Qini and uplift curves, selection effects, and why a lift measured before-and-after is usually not a lift. - Strong SQL and Python: cohorts, funnels and retention on raw event data without help; gradient boosting; and the boring parts — feature pipelines, retraining cadence, a scoring job that runs on a schedule and doesn't rot. - Understanding of subscription plus one-time purchase mechanics: recurring vs one-off revenue, refunds, plan changes, the deferred value of unspent credits, and why revenue and margin disagree about the same customer. - Commercial judgment: you name the decision and the metric before you pick the model, and you know when the answer is a rule rather than a model. - Pragmatism. A segment rule shipped this month that lifts retention beats a two-quarter uplift platform. Then you replace the rule. - Clear written and spoken English, B2+. Backgrounds that often do well: - Growth, retention or monetization data scientists from subscription, gaming, fintech or e-commerce — anywhere offers and churn are modelled with real money attached - CRM and lifecycle data scientists who owned campaign targetingandits incrementality - Causal inference and uplift specialists who ship policies rather than papers - Strong product analysts who moved into modelling and kept the decision instinct WHAT THIS ROLE IS NOT This role is not a fit if you: - Want to train or fine-tune generative video models — that's what our R&D ML Engineer roles do, and they're open - Want to own a recommender or a serving stack — ranking is not in this role's scope today - Would target an offer at the users most likely to buy and call it personalization - Report a lift from a before-and-after comparison, or from comparing the users you targeted to everyone you didn't - Optimize AUC and hand the score to someone else to work out what to do with it - Need clean labelled data, a feature store and an experimentation platform to exist before you can start - Want predictable 9–5 workdays HIRING PROCESS We move fast: - Screening call (30 min) - Technical interview & case study (1 hour) - Practical home task (7 days) - Team interview (60 min) - Paid on-site trial (1 month) WHAT WE OFFER - Competitive base salary in USD, based on your experience, skills, and the scope of the role. - Equity participation through the company’s stock option program, giving you the opportunity to share in Higgsfield’s long-term growth. - Relocation support to Almaty for candidates moving from another city or country. - A highly collaborative, fast-paced environment where you can work directly with experienced leaders and have a meaningful impact on the product and company. - Opportunities for professional growth, ownership, and career development as the company scales. - Company-provided equipment, meals, transportation, or other office benefits.

Задачи: — проектировать, разрабатывать и поддерживать ETL/ELT-пайплайны — собирать, обрабатывать и трансформировать данные из различных источников — разрабатывать и сопровождать слои DWH, витрины данных и data marts — настраивать интеграцию источников данных: CRM, ERP, BI и внешних сервисов — разрабатывать внутренние сервисы и API на Python — заниматься мониторингом, логированием и устранением ошибок Требования: — практический опыт работы с Python, SQL, Airflow, ETL/ELT и DWH — опыт разработки и поддержки data pipelines — знание реляционных СУБД — опыт работы с API

О проекте: ArchOps — архитектурный продукт, позволяющий наполнять и управлять ландшафтом предприятия. Задачи: — дорабатывать текущий Copilot продуктового архитектора; — участвовать в обучении моделей; — разрабатывать новые AI-агенты. Требования: — понимание работы и построения AI агентов; — базовые навыки Python; — знание ООП; — студенты 3 и 6 курсов бакалавриата, специалитета или магистратуры. Условия: — график работы 30-40 часов в неделю; — развитие в командах профессионалов и опытный наставник; — мобильная связь за счет компании; — специальные предложения и скидки от продуктов экосистемы МТС; — собственный корпоративный университет, онлайн-библиотека, приложение Best Benefits с различными скидками; — спорт: онлайн зарядки, йога, дыхательные практики.

Responsibilities: • Build AI agents from concept to production, including LangGraph workflows, RAG systems, prompts, tool/function calling, external integrations, and streaming LLM applications. • Develop backend services with FastAPI/async, PostgreSQL/SQLAlchemy, Celery/Kafka, and write tests; assess quality and resolve production issues. Requirements: • Strong Python development and practical LangGraph experience. • Experience building LLM applications and RAG systems with embeddings, vector search, relevance assessment, Qdrant, and hybrid/dense/sparse search. • Git, REST, asynchronous backend development, and independent task completion. • Familiarity with LiteLLM/vLLM and local models such as Qwen or Gemma.