ML-инженер вакансии - гибрид

Ищем DevOps/MLOps инженера в проектную команду для сопровождения и развития платформы машинного обучения и AI-сервисов (LLM, агенты, чат-боты). развёртыванием ML-моделей и AI-сервисов, локальных моделей (LLM, ML-модели) в различных средах;

Руководить командой ML-инженеров; Участвовать в найме и развитии команды;

разрабатывать с нуля AI-агентов и микросервисы для AI-продуктов. исследовать и внедрять новейшие технологические решения в ИИ - Claw-like & Ouroboros.

Задачи: — Разработка на Oracle PL/SQL: хранимые процедуры, функции, пакеты, загрузки и витрины данных — Автоматизация процедур, обработка событий, мониторинг, логирование и алертинг — Валидация отправляемых данных, тестирование при выходе новых версий систем — Разработка и внедрение новых сценариев выявления в ГИС «Антифрод» (41-ФЗ) — Разработка моделей выявления мошеннических абонентов и вызовов: классификация, скоринг, поиск аномалий — Подготовка и обогащение данных (CDR, профили абонентов, сигнальный трафик, данные ГИС «Антифрод»), построение поведенческих и сетевых признаков — Обучение, валидация и оценка качества моделей, калибровка порогов под новые схемы мошенничества — Вывод моделей в промышленную эксплуатацию, мониторинг качества и переобучение — Работа с регулятором, операторами связи, банками и профильными подразделениями компании — Ведение документации по системам и сценариям, подготовка отчётов и презентаций — Выявление новых схем мошенничества, ведение матрицы рисков, участие в расследовании инцидентов вместе с безопасностью — Подготовка ТЗ на доработки ИТ-систем и участие в приёмке Требования: — Опыт от 4 лет в IT на позиции аналитика или разработчика (телеком, банки) — Техническое высшее образование (прикладная математика, информатика) — Продвинутый SQL и опыт разработки на Oracle PL/SQL — Python: pandas, NumPy, scikit-learn — Знание методов ML и метрик качества моделей — Знание видов телеком-мошенничества и методов их выявления, технологий мобильной сети — Excel (Power Query, OLAP, макросы), BI-инструменты — Желательно: Hadoop, Spark — Аналитический склад ума, коммуникабельность, умение работать со смежными подразделениями — Английский язык на базовом уровне — Опыт разработки антифрод- или скоринговых моделей (будет плюсом) Условия: — Гибридный формат (4 дня в офисе, 1 удалённо) — Полная занятость — Оформление по ТК РФ с первого дня — ДМС со стоматологией — Компенсация расходов на спорт и изучение языков — Материальные выплаты

— Участвовать в управлении ML-продуктами: анализировать технические и продуктовые метрики, предлагать гипотезы, искать точки роста. — Участвовать в планировании и запуске A/B-тестов, уметь интерпретировать результаты.

Responsibilities Model development and selection: Lead the design of statistical and ML models (classification, regression, ranking, NLP or LLM-based) for problems like risk scoring, fraud detection and transaction categorization. Choose approaches on their merits and defend those choices with data, not habit.

• Опыт от 5 лет в Quant / ML / DS. • Сильная математическая база.

Сопровождение ML-решений (мониторинг сервисов и моделей, отслеживание дрейфа данных, работа над развитием); Оценка влияния на бизнес предложенных решений;

Задачи: — Руководство проектированием, разработкой и внедрением on-premises MLOps решений для поддержки доставки моделей машинного обучения — Сотрудничество с дата-сайентистами и разработчиками для создания масштабируемых и эффективных конвейеров данных, систем обучения и деплоя моделей — Разработка и поддержка инструментов мониторинга и управления для обеспечения надежности и производительности MLOps инфраструктуры — Взаимодействие с заинтересованными сторонами для понимания их потребностей в машинном обучении и разработки соответствующих решений — Отслеживание новейших трендов и технологий в области MLOps, машинного обучения и искусственного интеллекта, обмен знаниями с командой — Наставничество младших членов команды и помощь в развитии их навыков в MLOps — Поиск и устранение проблем пользователей Требования: — Опыт работы 5+ лет в MLOps, разработке ПО, инженерии данных или смежных областях — Сильные навыки программирования на современных языках (Java, Scala, Python, Kotlin) — Практический опыт работы с Kubernetes: деплой и эксплуатация рабочих нагрузок, отладка сбоев, работа с основными концепциями (Deployments, ConfigMaps/Secrets, Services, resource limits) — Отличные коммуникативные и командные навыки — Ценность простоты и производительности кода Будет плюсом: — Понимание жизненного цикла ML-проектов — Опыт работы с MLOps платформами, такими как Kubeflow или MLFlow — Опыт с ML-фреймворками: scikit-learn, LGBM, Tensorflow, PyTorch — Опыт работы с Big Data инструментами: Spark, S3, Hadoop — Глубокие знания контейнеризации и оркестрации (Docker, Kubernetes) — Опыт DevOps и CI/CD практик — Опыт создания и масштабирования инструментов для обслуживания моделей, включая построение API с жесткими SLA — Страсть к инженерной стороне машинного обучения и масштабированию — Опыт проектирования и построения MLOps инфраструктуры, включая конвейеры данных, системы обучения и деплоя моделей, а также инструменты мониторинга и управления.

— Разрабатывать и поддерживать реализованные рекомендательные решения. — Искать новые гипотезы для улучшения пайплайнов обучения моделей и добавления новых признаков.

Предстоит: Проектировать и внедрять ML-решения (от классического регрессионного анализа до Time Series и Uplift-моделей); Строить высокопроизводительные пайплайны обработки данных и генерации признаков на PySpark;

проектировать и реализовывать end-to-end LLM-пайплайны, включая продвинутые RAG-системы (индексация, ретривал, ранжирование, генерация). разрабатывать автономных AI-агентов с использованием планирования, вызова инструментов (function calling) и мультиагентной оркестрации.

Perplexity is looking for a Machine Learning Engineer to develop search, retrieval, LLM training, and multi-agent systems.

• Опыт применения Generative AI и LLM к задачам discovery.

Задачи: — Управление и валидация кредитных моделей — Управление рисками моделей Требования: — Опыт работы с нейронными сетями, машинным обучением, XGBoost — Знание принципов управления моделями и оценки рисков — Навыки валидации моделей и документации Условия: — Работа в гибридном формате в офисе в Сан-Франциско — Зарплата от $207,600 до $306,600 в год

Location: San Francisco, CA Workplace: Hybrid ABOUT US At LangChain, our mission is to make intelligent agents ubiquitous. We build the foundation for agent engineering in the real world, helping developers move from prototypes to production-ready AI agents that teams can rely on. We began as widely adopted open-source tools and have grown to also offer a platform for building, evaluating, deploying, and operating agents at scale. With $125M raised at Series B from IVP, Sequoia, Benchmark, CapitalG, and Sapphire Ventures, we’re at a stage where we’re continuing to develop new products, growth is accelerating, and all team members have meaningful impact on what we build and how we work together. LangChain is a place where your contributions can shape how this technology shows up in the real world. Today, our platform includes LangSmith (Observability, Evaluation, Deployment, Fleet, and Sandboxes), our open source frameworks (LangChain, LangGraph, and Deep Agents), and the newly launched LangSmith Engine for autonomous agent improvement. We have 100M+ monthly open source downloads, 6,000+ active LangSmith customers, and 5 of the Fortune 10 use LangSmith in production (+ 35% of the Fortune 500 overall), including teams at Klarna, Clay, Coinbase, Workday, Lyft, Cloudflare, Harvey, Rippling, Vanta, LinkedIn, Monday.com, Nvidia, and Bridgewater. ABOUT THE ROLE We're looking for a Deployed Engineer to join our Professional Services team, working directly with enterprise customers to build reliable, production agents. You'll translate vague enterprise workflows into concrete software specs and guide engineering teams through the resulting solution, or build it for them. You might spend a week designing a customer's agent architecture, a few weeks co-building their evaluation pipeline, or a quarter embedded inside their team shipping alongside their engineers. You are someone who's built real AI systems for production and can defend the technical tradeoffs within them. KEY RESPONSIBILITIES - Advising: Agent architecture design, evaluation strategy review, and best-practice production guidance. - Building: Co-build with the customer's engineering team across the full Agent Development Lifecycle (ADLC) in outcome-scoped engagements. - Embedding: Serve as a deployed engineer inside the customer's team for extended engagements, operating as a de facto member of their org to ship agent systems directly. - Agent Engineering: ADLC end-to-end, architecture design, orchestration patterns, evals, custom conversational UIs, and production deployment. - Applied AI: Post-training, supervised fine-tuning, harness engineering, trace mining, model selection and evaluation methodology. REQUIREMENTS - 4+ years of software engineering experience with deep expertise in Python. TypeScript/JavaScript a plus. - 2+ years of hands-on experience building and shipping production agent systems. - Strong client-facing communication skills, with the ability to confidently articulate architectural decisions to technical stakeholders (engineers, architects, CTOs). - Strong experience with LangChain/LangGraph/Deep Agents or comparable frameworks, including multi-agent patterns and state management (short and long-term memory). - Deep familiarity designing and implementing evaluation methodologies for non-deterministic AI systems. - Comfortable operating across the full spectrum from advisory to embedded delivery. - Willing to travel up to 20% of the time. NICE TO HAVE - Exposure to dataset curation and post-training techniques (SFT, DPO, RLHF) on open-weight models using tools like Axolotl, Unsloth, Hugging Face transformers, or TRL. - Experience with trace mining to drive continuous improvement loops LOCATION San Francisco, CA COMPENSATION $150,000-$300,000 base + equity Looking to lead technical strategy across the customer journey from Proofs of Value (PoVs) to driving overall adoption? Please check out the Deployed Engineer listing focused on Account Strategy & Solutions. Compensation Philosophy: We offer competitive compensation that includes base salary, variable compensation for relevant roles, meaningful equity, benefits, and perks. We are hiring for this role across a range of scope, and the compensation band reflects that. Your offer depends on what we learn about your impact, craft, leadership, and communication during the interview process. We will tell you early where you’re tracking and talk comp with you before offer stage. Team members in the EU, UK, and APAC receive locally competitive benefits aligned with regional norms and regulations. BENEFITS Benefits include medical, dental, and vision coverage, flexible vacation, a 401(k) plan, meals on in-office days in the US and more.

– Исследовать и прототипировать новые методы контроля качества данных на наших данных. – Проектировать ML- и статистические контроли для выявления аномалий, дрейфа распределений, деградации свежести данных, нарушений сезонных паттернов и нетипичных комбинаций метрик.

Мы в поиске Senior / Middle+ ML-инженера на аналитический проект. • Опыт локального развертывания LLM-моделей (Llama-3, Qwen) и работы с форматами GGUF / FP8 / AWQ.