ML-инженер вакансии - гибрид

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.

Location: San Francisco Workplace: Hybrid ABOUT BASETEN Baseten powers mission-critical inference for the world's most dynamic AI companies, like Cursor, Notion, OpenEvidence, Abridge, Clay, Gamma, and Writer. By uniting applied AI research, flexible infrastructure, and seamless developer tooling, we enable companies operating at the frontier of AI to bring cutting-edge models into production. We're growing quickly and recently raised our $1.5B Series F https://www.baseten.co/blog/announcing-our-series-f/, led by Altimeter Capital, Conviction Partners, and Spark Capital. Join us and help build the platform engineers turn to ship AI products. THE ROLE This role sits at the applied end of our post-training research efforts. You will work directly with stakeholders from the world’s fastest-growing AI companies to post-train open-source models that outperform frontier closed models on their specialised tasks. Your day-to-day is finding creative ways to extract signal from complex, domain-specific datasets and building the reward functions, environments, eval harnesses, and training pipelines that turn that signal into better models. The models you train ship to production and reach millions of users. We are looking for people with hands-on LLM fine-tuning and RL experience. Researchers who are excited by the prospect of shipping models into production, who can translate a customer's domain-specific requirements into an effective training curriculum, and who know when to be rigorous and when to iterate fast. RECENT RESEARCH - Dense, on-policy or both? https://www.baseten.co/research/dense-on-policy-or-both/ - Repeated kv cache for long-running agents https://www.baseten.co/research/repeated-kv-cache-for-long-running-agents/ - Distillation without the dark – replicating black-box on-policy distillation on Baseten https://www.baseten.co/research/distillation-without-the-dark/ RESPONSIBILITIES - Design and run post-training pipelines: SFT, GRPO, DPO, RLVR, reward function engineering, and synthetic data generation. - Build task-specific training environments and evals tailored to customer domains like healthcare, code generation, and legal, spanning multi-turn tool use, sandboxed execution, and agentic workflows. - Work directly with customers to translate production data into training signal, designing reward loops from real usage patterns and handling distribution shift. - Run and analyze training experiments end-to-end: diagnose reward hacking, importance sampling drift, and advantage estimation instabilities. - Publish findings at top venues and contribute to Baseten's open-source training libraries. QUALIFICATIONS - Hands-on experience training LLMs with reinforcement learning — demonstrated understanding of GRPO or PPO beyond recipe-level reproduction, including group advantage computation, clipped objectives, and KL penalty design - Strong intuition for reward engineering: the ability to distinguish between a reward that trains effectively and one that will exploit at scale - Experience building multi-turn agent environments with tool use, not limited to single-turn question-answering setups - Comfort working across the full pipeline from dataset construction through training, evaluation, and deployment - Experience with production ML systems. Preference for candidates who have closed a training–inference loop where production data feeds back into model improvement PREFERRED QUALIFICATIONS - Experience with RL training frameworks - Publications at NeurIPS, ICML, ICLR, focused on RL for LLMs, reward modeling, or alignment BENEFITS - Competitive compensation, including meaningful equity - (U.S. only) 100% coverage of medical, dental, and vision insurance for employee and dependents - Flexible PTO policy including company wide Winter Break (our offices are closed from Christmas Eve to New Year's Day!) - Paid parental leave - Fertility and family-building stipend through Carrot - (U.S. only) Company-facilitated 401(k) - Exposure to a variety of ML startups, offering unparalleled learning and networking opportunities. Apply now to embark on a rewarding journey in shaping the future of AI! If you are a motivated individual with a passion for machine learning and a desire to be part of a collaborative and forward-thinking team, we would love to hear from you. At Baseten, we are committed to fostering a diverse and inclusive workplace. We provide equal employment opportunities to all employees and applicants without regard to race, color, religion, gender, sexual orientation, gender identity or expression, national origin, age, genetic information, disability, or veteran status. We are an Equal Opportunity Employer and will consider qualified applicants with criminal histories in a manner consistent with applicable law (by example, the requirements of the San Francisco Fair Chance Ordinance, where applicable).

Задачи: — Активное участие в найме, наставничестве и развитии карьеры других инженеров — Повышение технических стандартов, производительности, надежности и операционного совершенства — Определение областей, где машинное обучение может создавать ценность для клиентов — Правильная постановка задач машинного обучения в продуктах, взаимодействие с командой и заинтересованными сторонами из Product и Design — Проведение разведывательного анализа данных и исследований для глубокого понимания проблемной области — Исследование и выбор подходящих алгоритмов и инструментов, сочетая прагматизм и инновации — Проведение офлайн-оценки для подтверждения эффективности алгоритмов — Сотрудничество с инженерами для вывода прототипов в продакшн — Планирование, измерение и распространение результатов для информирования итераций — Тесное взаимодействие с командой и другими подразделениями для создания отличных ML-продуктов Требования: — 5-8 лет опыта применения машинного обучения — Предыдущий опыт на старшей или ведущей позиции (data science, разработка ПО или академическая сфера) — Значительный и доказанный вклад в продукт и/или команды — Сильные навыки программирования — Опыт технического лидерства в команде — Хорошие коммуникативные навыки внутри инженерных команд и между дисциплинами — Умение работать в условиях неопределенности — Обычно наличие продвинутого образования в области машинного обучения или смежной области (например, MSc) — Научный подход к мышлению Плюсы: — Опыт выпуска ML-продуктов — PhD или опыт работы в исследовательской среде — Глубокие знания в применимых областях ML, таких как NLP, глубокое обучение, байесовские методы, обучение с подкреплением, кластеризация — Сильный статистический или математический бэкграунд — Навыки визуализации и работы с данными, включая SQL, matplotlib и др. Условия: — Гибридный формат работы с офисами в Дублине, Лондоне и Берлине — Ожидается присутствие в офисе минимум три дня в неделю — Компания предлагает конкурентные условия и поддержку баланса между работой и личной жизнью — Политика равных возможностей и недискриминации — Поддержка здоровья, благополучия, семьи, времени вне работы и финансового будущего Компания: Fin — крупная IT-компания, разрабатывающая интеллектуальных AI-агентов для автоматизации клиентского сервиса, теперь часть Salesforce. Их AI Agent Fin — один из лучших на рынке, обеспечивающий круглосуточную поддержку клиентов по всем каналам с минимальной настройкой и интеграцией. Команда активно применяет современные ML-технологии и тесно сотрудничает с продуктовой и дизайнерской командами для быстрого вывода продуктов на рынок.

Развивать модели прогнозирования спроса и ценовой эластичности; Исследовать подходы к causal inference, uplift-моделированию и оценки эффекта изменения цены;

-Развивать и поддерживать инфраструктуру DWH. -Строить и развивать CI/CD-процессы для data и ML-разработки.

— Разрабатывать Python / SQL-пайплайны загрузки и обработки данных из файлов, API и информационных систем. — Проектировать таблицы хранилища: сущности, связи, правила преобразования.

Предстоит: Работать с профессиональными базами данных и хранилищами данных, разрабатывать и оптимизировать SQL-запросы; Использовать Python для анализа данных, автоматизации процессов и решения прикладных задач;

Стек: Python, SQL, Spark, PyTorch, ClickHouse, Redis, S3.

LLM, RAG и векторные хранилища; оркестрация в Airflow;

As the Senior Staff Machine Learning Platform Engineer, you will own the technical vision and evolution of Faire’s ML platform. You will set standards, influence org-wide architecture, and lead complex, cross-functional initiatives that unlock data science velocity at scale.

Задачи: — Дистрибуция страховых продуктов: развивать модели отбора пользователей для страховых продуктов, улучшать дистрибуцию ОСАГО и КАСКО, переносить подход на новые продукты. Работа включает формулирование продуктовых гипотез, поиск релевантных сигналов в сервисах Яндекса, построение интерпретируемых моделей и проверку качества отбора в продуктовых экспериментах. — Риск-скоринг: развивать модели оценки страхового риска для КАСКО, ОСАГО и других продуктов. Основные сложности — небольшое количество подтверждённых страховых случаев, неполная разметка и необходимость проверки сигналов на независимых источниках данных. Улучшать признаки и валидацию, следить за качеством решений и адаптировать подход к новым продуктам. — Данные и ML-пайплайны: договариваться с командами — владельцами источников, собирать выборки и признаки, проверять их покрытие и качество, добавлять новые блоки в пайплайны и анализировать результаты A/B-тестов. Требования: — Уверенное владение Python и SQL. — Хорошая база в классическом машинном обучении, опыт работы с табличными данными. — Понимание принципов корректной валидации, временных разбиений и возможных утечек. — Умение самостоятельно вести ограниченный исследовательский или продуктовый трек: от постановки гипотезы до выводов и следующего шага. — Готовность работать с неполными данными и неоднозначными таргетами. — Способность понятно объяснять продуктовой команде логику модели, допущения и ограничения. — Критическое отношение к данным, метрикам и результатам.

Задачи: — Строить конвейеры подготовки данных: сбор, очистку, нормализацию, дедупликацию и разметку — Формировать обучающие, валидационные и независимые оценочные выборки, контролировать утечки и пересечения — Создавать baseline для задач извлечения, классификации, определения сущностей и связей — Дообучать модели, готовить инструктивные наборы, обучать адаптеры и сравнивать результаты с базовыми моделями — Определять метрики, стратифицировать выборки и анализировать ошибки по типам документов, сценариям и полям — Работать с извлечением сущностей и связей для построения и обновления графового представления данных — Разворачивать локальный inference и оптимизировать его под доступную инфраструктуру — Работать с tensor parallelism, batching, длиной контекста, GPU-памятью и квантованием Требования: — Стек: Python, PyTorch, Hugging Face Transformers, PEFT, pandas, SQL, PostgreSQL, Airflow (или аналог), MLflow (или аналог), vLLM, CUDA, Docker, Kubernetes

Компания Alif Tech — международная финтех-компания, работающая на рынках Узбекистана, Таджикистана, Пакистана, Великобритании и ОАЭ. Стек: Python (pandas, numpy), XGBoost/LGBM/CatBoost, SQL, Airflow, базовый DL. Формат работы: офис (предпочтительно), возможен гибрид или удалённая работа.

Location: San Francisco, California; New York, New York Workplace: Hybrid WHO WE ARE Notion is the collaborative AI workspace where teams and agents think together https://www.youtube.com/watch?v=vkpYpWfEK5s. We're building one place where your knowledge, projects, meetings, and AI tools live side by side, so work is faster, clearer, and less fragmented. Millions of individuals, small teams, and large companies run their work on Notion. Notinos (our employees) are customer zero in bringing this future of work to life. We care about craft, building things that last, and the belief that great work is still fundamentally human. Our goal isn’t to ship the next feature. Each and every team of Notinos is working to set the standard for how humans work together in the AI era. From building a business’s system of record to making and managing AI agents to automating away the busy work, we care deeply about giving our customers more time for their life’s work. ABOUT THE ROLE: Notion has been at the cutting edge of AI since before ChatGPT launched. The job of the Model Capabilities team is to keep us there. We own the model layer of Notion AI: integrating frontier models as they ship, keeping inference reliable and economical at scale, and building new capabilities that other teams take advantage of.   This role can be based in either San Francisco or New York City. We work from our offices on Mondays, Tuesdays and Thursdays (our Anchor Days) because we do our best thinking and building together in person. We’re looking for someone who’s excited to work alongside the team during those days. WHAT YOU'LL ACHIEVE: - Bring new frontier models into production quickly, making them available for our users and our engineers. - Make inference reliable: better error categorization, self-healing retries, and cross-provider failover. - Own observability for the model layer, driving down both time to detection and time to fix. - Build new model-level capabilities and help product teams adopt them. - Act as connective tissue across Notion's AI teams: find the gaps, unblock people, and make sure fixes land with the right owner. SKILLS YOU'LL NEED TO BRING: - Comfort with a moving frontier: The model landscape changes monthly. You keep up with it, form your own view of what's real, and stay pragmatic about what's worth adopting now. - AI fluency as a practitioner: You use AI tools seriously in your own work and have opinions about where they help and where they don't. - Production AI systems experience: You've built and operated systems on top of LLM APIs, not just prototyped with them. You understand token economics, streaming, tool calling, context limits, and how each of these fails in production. - Measurement before conviction: You don't ship a prompt or model change on vibes. You define what "better" means, build or use the evaluation to test it, and are willing to be proven wrong by your own data. - Cost and performance instincts: You treat latency and dollars as product qualities, not afterthoughts, and you can reason about the tradeoff between them and output quality. Notion is committed to providing highly competitive cash compensation, equity, and benefits. The compensation offered for this role will be based on multiple factors such as location, the role’s scope and complexity, and the candidate’s experience and expertise, and may vary from the range provided below. For roles based in San Francisco or New York City, the estimated base salary range for this role is $255,000 – $300,000 per year. By clicking “Submit Application”, I understand and agree that Notion and its affiliates and subsidiaries will collect and process my information in accordance with Notion’s Global Recruiting Privacy Policy https://notion.notion.site/Notion-Global-Recruiting-Privacy-Policy-fc3eb4e829354a26a2bb6fd5e289b550?pvs=74 and NYLL 144 https://notion.notion.site/Ashby-AI-Bias-Audit-2b0efdeead05803bbbfae159ec86c528. #LI-Onsite A NOTE ON AI You don’t need deep AI expertise for every role, but we do expect every Notino to be intellectually curious, drawn to tinkering and discovery, and excited to use AI as a real collaborator in their work. For some roles, AI fluency is a core requirement — when that’s the case, we'll say so explicitly in the qualifications. People who thrive here don’t treat AI as a novelty. They use it to think better, and make their work easier for others to build on. EQUAL OPPORTUNITY & ACCOMMODATIONS We hire talented people from a wide range of backgrounds. If you’re excited about this role but don’t meet every bullet, we still encourage you to apply. Notion is an equal opportunity employer and does not discriminate on the basis of any legally protected characteristic. Consistent with applicable law, we will consider for employment qualified applicants with arrest and conviction records. Notion provides reasonable accommodations during the application process; if you need one, please let your recruiter know. Notion is proud to be an equal opportunity employer. We do not discriminate in hiring or any employment decision based on race, color, religion, national origin, age, sex (including pregnancy, childbirth, or related medical conditions), marital status, ancestry, physical or mental disability, genetic information, veteran status, gender identity or expression, sexual orientation, or other applicable legally protected characteristic. Notion considers qualified applicants with criminal histories, consistent with applicable federal, state and local law. Notion is also committed to providing reasonable accommodations for qualified individuals with disabilities and disabled veterans in our job application procedures. If you need assistance or an accommodation due to a disability, please let your recruiter know.

Location: New York, NY (HQ); Remote (US) Workplace: Hybrid ABOUT RAMP Ramp is building the smart infrastructure for finance teams, embedded in the transaction flow of every dollar a business spends. We automate how over $275B in annualized spend flows in and out of 85,000+ companies: authorizing payments, flagging risk, categorizing spend, and closing books. The problems are high-stakes, data-dense, and unforgiving. We hire people with high agency and high urgency. We look for slope over intercept. We care less about where you trained and more about what you’ve built. At Ramp, everyone is a builder who owns problems end to end and makes consequential decisions that shape the outcome. The median Ramp customer saves 7.5% and grows revenue 16% in their first year – far in excess of businesses operating without Ramp. We believe every ambitious company deserves the same. If you want to build systems that directly shape how companies move and manage billions, Ramp is the place to do it. ABOUT THE ROLE We’re seeking someone to lead the future of fraud machine learning at Ramp. In this role, you will help build core machine learning models, design data architectures, and set strategic roadmaps to help Ramp mitigate fraud-related threats while minimizing the friction experience by legitimate users. You will partner closely with product and engineering counterparts across model design, implementation, execution, and analysis. WHAT YOU’LL DO - Employ statistical and machine learning techniques on large datasets to discover patterns of fraud, platform abuse, and identity theft - Prototype and productionize machine learning models and rules-based systems to protect Ramp and its users from fraud - Partner closely with Fraud Engineering and Data Platform teams to augment and leverage data across first and third party sources, ensuring we’ve added as much context as possible to every decision we make - Contribute to the culture of Ramp’s machine learning team by influencing processes, tools, and systems that will allow us to make better decisions in a scalable way WHAT YOU NEED - Bachelor’s degree or above in Math, Economics, Physics, Computer Science, or other quantitative fields - A minimum of 5 years of industry experience as a Machine Learning Engineer, Applied Scientist or Data Scientist - Strong python experience (numpy, pandas, sklearn, pytorch etc.) across ML techniques and backend engineering - Prior experience deploying Machine Learning models to production and making meaningful contribution to backend systems - Strong knowledge of SQL (Snowflake, Postgres, etc.) - Fluency with agentic (AI) tools for software development and data analysis - Ability to thrive in a fast-paced, constantly improving, start-up environment that focuses on solving problems with iterative technical solutions NICE-TO-HAVES - PhD in Math, Economics, Physics, Computer Science, or other quantitative fields - Context on Fraud and/or Identity Threat detection systems - Experience at a high-growth startup - Experience with the modern data stack ( Snowflake / Hex / dbt / RisingWave / etc ) - Strong perspective on data science + ML engineering development cycle, especially in a post-AI setting - Experience developing LLM-backed systems or tools BENEFITS AVAILABLE TO ALL FULL-TIME RAMP EMPLOYEES (GLOBAL) - Flexible PTO - Centralized home-office equipment ordering - Health and wellness stipend - Budget for intra-office travel - Weekly coffee stipend UNITED STATES - 100% medical, dental & vision insurance coverage for you, with partial coverage for dependents - One Medical annual membership - 401(k), including employer match on contributions made while employed by Ramp - Fertility HRA (up to $10,000 per year) - Parental leave: up to 16 weeks (birthing + bonding) or 8 weeks (bonding only) at 100% pay - Pet insurance - In-office perks: lunch, snacks, drinks, and more - Relocation expense coverage to NYC or SF (if needed) CANADA - Group medical, dental, and vision coverage through Sun Life - Life, AD&D, and disability coverage - Fertility drug coverage (up to $4,000 lifetime) - Group Retirement Plan with employer match (RRSP + DPSP) - Parental leave: up to 16 weeks (birthing + bonding) or 8 weeks (bonding only) at 100% pay, with additional time available at reduced pay - Employee Assistance Program and virtual care through Lumino Health UNITED KINGDOM - Private medical insurance through Freedom Elite - Virtual GP and at-home care via eMed x Livi - Workplace pension through Penfold, with salary sacrifice option - Parental leave: up to 16 weeks (birthing + bonding) or 8 weeks (bonding only) at 100% pay with additional time available at reduced pay REFERRAL INSTRUCTIONS If you are being referred for the role, please contact that person to apply on your behalf.   OTHER NOTICES Pursuant to the San Francisco Fair Chance Ordinance, we will consider for employment qualified applicants with arrest and conviction records.   Beware of recruiting scams: Ramp will only contact you through official @Ramp.com http://Ramp.com email addresses and will never ask for payment or sensitive personal information during the hiring process.   Ramp Applicant Privacy Notice https://ramp.com/legal/applicant-privacy-notice

Задачи: — Развивать модели прогнозирования спроса и ценовой эластичности — Исследовать подходы к causal inference, uplift-моделированию и оценки эффекта изменения цены — Проектировать временную валидацию, backtesting и бизнес-метрики качества

Компания "Урал Логистика" приглашает ML-инженера для участия в создании системы обработки документов и данных для грузовых железнодорожных перевозок. Задачи: — Строить конвейеры подготовки данных: сбор, очистку, нормализацию, дедупликацию и разметку — Формировать обучающие, валидационные и независимые оценочные выборки, контролировать утечки и пересечения — Создавать baseline для задач извлечения, классификации, определения сущностей и связей — Дообучать модели, готовить инструктивные наборы, обучать адаптеры и сравнивать результаты с базовыми моделями — Определять метрики, стратифицировать выборки и анализировать ошибки по типам документов, сценариям и полям — Работать с извлечением сущностей и связей для построения и обновления графового представления данных — Разворачивать локальный inference и оптимизировать его под доступную инфраструктуру — Работать с tensor parallelism, batching, длиной контекста, GPU-памятью и квантованием — Измерять задержку, пропускную способность, утилизацию и стоимость обработки документа — Версионировать данные, модели, конфигурации обучения и результаты экспериментов — Участвовать в интеграции моделей с прикладными AI-сервисами и production-конвейерами Требования: — Уровень middle+ и выше — Практический опыт построения ML-конвейеров, используемых в production — Уверенное владение Python, PyTorch и Hugging Face Transformers — Опыт fine-tuning языковых моделей, подготовки данных и работы с PEFT — Умение строить корректную оценку качества и контролировать утечки между обучающими и тестовыми данными — Опыт локального inference LLM и понимание устройства GPU-памяти — Знание компромиссов между качеством, скоростью, длиной контекста, batching и квантованием — Знание Linux, CUDA, SQL, Docker и Kubernetes — Способность довести модельное решение до устойчивой эксплуатации Условия: — Полная занятость — Возможность трудоустройства через российское юридическое лицо в штат или через согласованную аутстафф-модель — Основной формат — офис или гибрид — Для самостоятельных специалистов возможна распределённая работа из России — Итоговый грейд и масштаб ответственности определяются по результатам собеседования

Задачи: - Развивать ядро матчинга: retrieval кандидатов по текстовым, картиночным и мультимодальным эмбеддингам, обучать модели классификации пар, работать с атрибутами товаров - Улучшать NLP-часть пайплайна с учетом специфики оптовых товаров: обработка названий, извлечение атрибутов из описаний, дообучение эмбеддинг-моделей - Доводить решения до прода и отвечать за них Требования: - Сильное понимание NLP: трансформерные модели, эмбеддинги, векторный поиск, опыт дообучения моделей под свою задачу - Опыт в задачах матчинга - Опыт в Data Science и ML Engineering с выводом моделей в продакшен от 3-х лет - Уверенные знания Python, ML-стека, SQL - Умение выбирать решение под задачу: не использовать нейросеть там, где достаточно эвристики, и наоборот - Опыт с CV и мультимодальными моделями (CLIP-подобные, metric learning), LLM/VLM в задачах классификации/ранжирования будет плюсом