ML-инженер вакансии - гибрид

Задачи: -Помощь в развитии рекомендательной системы. -Обеспечение производительности и отказоустойчивости runtime и offline-процессов. -Улучшение ML-инфраструктуры. Требования: -Навыки разработки на Java 21 или более поздних версиях. -Понимание микросервисной архитектуры. -Знание алгоритмов и структур данных. -Опыт работы с Git. -Английский язык на уровне чтения технической документации.

Задачи: - Развивать инструменты хостинга ML-моделей: внедрять и развивать inference-движки и сопутствующую инфраструктуру, следить за мировыми трендами, делать R&D мировых решений. - Развивать ML-инфраструктуру: трекер экспериментов Clear ML, внутренние инструменты для разметки данных, векторную БД Milvus, решение для запуска распределенных вычислений, а также те инструменты и сервисы, про которые мы уже думали, но еще не внедрили. - Развивать внутренние сервисы: поддерживать планировщик вычислительных ресурсов для запуска DS-решений, бота для глубокого анализа каналов поддержки Центра ИИ и прикладные решения для управления кластерами и биллингом. Требования: - Опыт работы с Docker и Kubernetes для развертывания ML-моделей. - Опыт работы с Ansible. - Знание и опыт внедрения DevOps-практик: CI/CD, IaC, SRE. - Навыки работы с системами мониторинга Prometheus, Grafana, ELK. - Опыт программирования на Python на уровне понимания экосистемы, базовых библиотек и навыков написания прикладных программ. - Опыт проектирования и внедрения инфраструктурных решений. - Способность и готовность работать в условиях высокой неопределенности. Будут плюсами: - Опыт работы в роли MLOps-инженера или аналогичной должности. - Понимание жизненного цикла ML-решений и специфики их развертывания на production. - Опыт работы с векторными БД. - Знание ML-инструментов и библиотек. - Опыт работы с GPU-серверами и диагностики проблем с GPU. Условия: - Уровень дохода, который зависит от ваших технических знаний и навыков. Регулярно пересматриваем зарплаты с учетом профессионального роста. Финансовые бонусы тоже есть. - Заботу о вашем комфорте. Можете работать удаленно, гибридно или в офисе, в любом случае предоставим технику и все необходимое. Если вам по душе работать из офиса — обеспечим удобным местом, зонами отдыха, кухней с полезными перекусами. - Сильное инженерное комьюнити. Регулярно проводим внутренние технические конференции, обмениваемся опытом между командами. Вы всегда найдете, с кем посоветоваться. - Возможность сменить продукт, команду или предметную область внутри компании. Поддерживаем развитие в любом направлении. - Общение на «ты» и максимум горизонтальных связей в коллективе, чтобы быстрее договариваться и решать рабочие задачи. - Возможность делиться экспертизой. Помогаем выступать на конференциях, участвовать в подкастах или видео, писать статьи. - Поддержку профессионального развития. Организуем внутреннее и внешнее обучение.

About our Machine Learning Business Banking team: Our mission in Business Banking is to simplify banking for small businesses; making business banking fairer, simpler and more transparent. Monzo Business Banking is fast-growing, is the UK’s most recommended business account for overall service quality. We recently hit 1 million customers and are used by 1 in 6 UK SMEs. We want to help businesses spend less time on financial admin and more time focused on running and growing their business. We’re building intelligent, data-driven and AI/ML-enabled product experiences that help small businesses feel more in control, make better decisions, and get more value from Monzo. ML is at the core of how we build and scale our products, enabling Monzo to make better decisions, faster, and helping us serve businesses more effectively. As a Lead Machine Learning Scientist in Business Banking, you’ll help build and ship models that power the next generation of Business Banking experiences. You’ll work closely with Product, Engineering, Design, Research, Data Science and Analytics Engineering to bring ML-enabled product capability into the heart of how we build for businesses. Whether it’s helping businesses understand their cash flow, reducing manual admin, surfacing the right insight at the right moment, or helping teams build intelligent product experiences responsibly, our work makes business banking smarter, simpler and more useful for SMEs. What you'll be working on As a Lead Machine Learning Scientist, you’ll be a technical leader and hands-on individual contributor, spearheading our ML and GenAI capabilities and shipping key models that powers magical Business Banking experiences. You’ll: — Be one of the first ML Scientists in Business Banking, bringing leadership through ambiguity by adding structure and direction to our ML capabilities while staying agile and building momentum. — Develop and deploy advanced ML models on our cloud-native data platform to serve hundreds of thousands of business customers. — Partner with Product, data science and other stakeholders to identify the highest-impact opportunities, size impact, and define success metrics. — Decide when to use ML, GenAI, or simpler approaches and be clear on trade-offs. — Design robust evaluation and monitoring so we can ship responsibly and measure impact in production. — Lead the design and implementation of batch and near-real-time models (e.g. LLM-powered experiences, predictive models, time-series forecasting). — Collaborate closely with MLOps and Backend Engineering to operationalise models end-to-end and raise the bar on ML lifecycle rigor. — Set technical standards, mentor others, and support experimentation and iteration. You should apply if: — What we’re doing here at Monzo excites you! — You have a multiple year track record of excellence leading the development and deployment of advanced Machine Learning models to tackle real business problems, preferably in a fast-moving tech company. — You have experience developing and shipping state-of-the-art ML models to production and delivering business impact. — You're impact-driven and excited to own the end-to-end journey that starts with a business problem and ends with your solution having a measurable impact in production. — You have a self-starter mindset; you proactively identify issues and opportunities and tackle them without being told to do so. — You speak Python fluently and have extensive, hands-on experience with scikit-learn. — You are comfortable using SQL, and keen to learn Go, which is used in many of our backend microservices. — You’re comfortable working in a team that deals with ambiguity and have experience helping your team and stakeholders resolve that ambiguity. — You want to be involved in building a product that small businesses use to run and manage their financial lives every day. — You have a product mindset: you care about customer outcomes and you want to make data-informed decisions. — You’re excited about fast-moving developments in Machine Learning and AI and can communicate those ideas to colleagues who are not familiar with the domain. — You’re adaptable, curious and enjoy learning new technologies and ideas. — You’re excited by the opportunity to help Business Banking evolve into AI and ML-enabled product capability. — You can work closely with Product, Engineering, Design, Research and Data colleagues to shape product strategy, clarify trade-offs and build things that customers actually use. — You’re thoughtful about responsible ML/AI; especially in financial products where trust, transparency and customer control matter. Nice to haves: — Experience working on personalisation, ranking, recommendation, forecasting, classification or decisioning problems for customer-facing applications. — Experience working on ML systems for fintech, banking, accounting, payments, lending, invoicing, cash flow, tax, risk or business software. — Experience with GenAI, LLMs, agentic workflows, retrieval, evaluation frameworks, or human-in-the-loop product experiences. — Commercial experience writing critical production code and working with microservices. — Experience designing experiments, A/B tests or other approaches to measure product and customer impact. — Experience working in regulated environments or with products where explainability, auditability and customer trust are especially important. The interview process: Our interview process involves 3 main stages. We promise not to ask you any brain teasers or trick questions! — 30 minute recruiter call — 45 minute call with hiring manager — Full Loop: ML Modelling Interview, Product & ML interview, Behavioural Interview, Leadership interview Our average process takes around 3-4 weeks but we will always work around your availability. You will have the chance to speak to our recruitment team at various points during your process but if you do have any specific questions ahead of this please contact us on tech-hiring@monzo.com. Please also use that email to let us know if there's anything we can do to make your application process easier for you, because of disability, neurodiversity or any other personal reason. What’s in it for you: — We can help you relocate to the UK — We can sponsor visas — This role can be based in our London office, but we're open to distributed working within the UK (with ad hoc meetings in London). — We offer flexible working hours and trust you to work enough hours to do your job well, at times that suit you and your team. — Learning budget of £1,000 a year for training courses and conferences — And much more, see our full list of benefits here If you prefer to work part-time, we'll make this happen whenever we can - whether this is to help you meet other commitments or strike a great work-life balance.

Задачи: - Разрабатывать REST API с использованием FastAPI; - Проектировать и реализовать backend-сервисы с нуля; - Проводить интеграции с базами данных и системами обмена данными; - Обеспечивать масштабируемость и отказоустойчивость сервисов; - Писать и поддерживать автоматизированные тесты; - Настраивать и поддерживать CI/CD процессы для непрерывной интеграции; - Участвовать в планировании задач и работе по методологии Scrum; - Тесно взаимодействовать с командой для оперативного решения технических вопросов. Требования: - Сильные инженерные навыки, самостоятельность, понимание полного цикла доставки приложения; - Уверенный опыт настройки и использования CI/CD, работы с Docker и Kubernetes; - Понимание DevOps-культуры, умение написать и поддержать Helm-чарт/Dockerfile, разобраться с деплоем, настроить базовый мониторинг и алертинг; - Глубокие знания Python и опыт работы с FastAPI; - Опыт работы с PostgreSQL, ClickHouse, Kafka, Redis, Spark; - Умение писать чистый, поддерживаемый код с соблюдением best practices и знание архитектурных паттернов; - Опыт работы в высоконагруженных системах и решения реальных задач на production; - Аналитический склад ума, системное мышление и готовность самостоятельно доводить задачи до конца; - Продвинутое знание инструментов мониторинга (Prometheus, Grafana, Opensearch/ELK); - Глубокий опыт в DevOps, опыт работы с Triton Inference Server и другими инструментами деплоя ML-моделей будет плюсом.

Требования: — 5+ лет в production ML/NLP: системы, которые вы поддерживали после запуска — техническое лидерство: решения по стеку за команду, ревью, ответственность за сдачу шире своих задач — RAG целиком: гибридный поиск, чанкинг, реранкинг, методика оценки — self-hosted инференс открытых моделей, квантизация, расчет GPU — eval-наборы: чем вы докажете, что новая версия не хуже прошлой — развертывание в закрытом контуре, на инфраструктуре заказчика Половина роли техническая, половина переговорная: защищать архитектуру и метрики качества перед ИТ-директором заказчика. Условия: — Оплачиваемый испытательный срок — Бонусы за сдачу проектов — Офис в Алматы — Зарплата: 1 000 000 – 1 400 000 ₸

Задачи: - Разработка co-pilot решения на базе данных RAG и применении LLM - Разработка и интеграция AI-агентов, исследование новых поверхностей взаимодействия с AI - Разработка микросервисов на Python в качестве MCP инструментов - Анализ требований, формализация функционала, проектирование архитектуры взаимодействия агентов и сервисов - Участие в планировании, декомпозиции задач и оценке сложностей, планировании спринтов на основе SCRUM церемоний - Проведение код-ревью, поддержание высокого стандарта качества и чистоты кода - Тесное взаимодействие с командой на всех этапах разработки - Участие в подготовке и выпуске релизов, взаимодействие со смежными подразделениями - Документирование своей работы и менторство джуниор-разработчиков Требования: - Опыт коммерческой разработки на Python от 4 лет - Уверенное знание Python 3.7+ (в проекте используется 3.12+) - Понимание и успешный опыт применения паттернов проектирования (GoF, SOLID, GRASP) - Опыт проведения код-ревью и работы по GitFlow - Опыт разработки агентных систем с помощью langchain, langgraph и успешное внедрение в промышленную среду - Опыт разработки приложений, основанных на микросервисной архитектуре - Уверенное знание SQL и понимание принципов работы реляционных СУБД (PostgreSQL) - Опыт написания unit-тестов - Опыт разработки асинхронных приложений на Python - Понимание жизненного цикла разработки приложений в контексте Agile - Опыт и желание работать в команде, умение аргументировать свои решения и договариваться Условия: - Возможность участия в интересном проекте - Возможность профессионального и карьерного роста в компании - Опыт работы в команде профессионалов - Уровень заработной платы обсуждается индивидуально - Удаленный формат работы и офисный формат в Москве

Задачи: - Разрабатывать бэкенд LLM-агента для автоматизации поддержки - Учиться строить LLM-продукты и участвовать в формировании платформы для их развития - Следить за надежностью и качеством решений — агент будет работать под нагрузкой и решать проблемы миллионов пользователей - Решать задачи на стыке с Data Science, собирать легкие прототипы новых фич для проверки на пользователях - Следить за надежностью и качеством решений — внутренние инструменты работают с теми же гарантиями, что и внешние: мониторинг, алертинг, SLA Требования: - Опыт разработки на Python с использованием FastAPI, Pydantic, LangChain, LangGraph, LangFuse, punq - Опыт разработки распределенных систем: Kafka, PostgreSQL, Redis, Elastic - Опыт разработки сложных распределенных систем - Способность быстро выполнять задачи без критических ошибок - Приветствуется опыт работы с ML-продуктами и интерес к ML, NLP, LLM

Задачи: — Архитектура и внедрение production-ready AI / LLM / Computer Vision систем — Декомпозиция сложных технических задач — Оптимизация стоимости и латенси production рабочих нагрузок — Сотрудничество с техническими и бизнес-командами клиентов — Разработка и обучение моделей машинного обучения — Подготовка данных и проведение аналитики — Деплой и мониторинг моделей Требования: Обязательные: — 2+ года опыта в Machine Learning / AI (Data Scientist, ML Engineer, NLP, CV, Audio Engineer) — 2+ года разработки production AI / LLM систем — Свободное владение Python, TensorFlow, PyTorch, vLLM, LangGraph, LangChain (или эквивалентные) — MLOps: оптимизация стоимости и латенси — Знакомство с agentic tooling (Claude Code, Cursor) — Опыт с LLM, NLP или Computer Vision Желательные: — Опыт с GCP (Google Cloud Platform) — Опыт в content generation — Знание оптимизации локального inference — Опыт работы с LLM и генерацией контента Приветствуется портфолио с примерами production AI систем, которые вы разрабатывали.

Задачи: — проектирование модуля, который объединяет результаты из поисковых систем — написание эффективных обходов графа с ограничениями по времени — реализация кэширующих стратегий для графовых запросов — оптимизация работы с памятью и GC — разработка асинхронных пайплайнов для параллельных вызовов движков — настройка гибридного ранжирования через кастомные скоринговые функции — интеграция векторного поиска через Java-клиенты — написание запросов к FastGraph — внедрение ранжирующих моделей — сборка фичей для модели — мониторинг качества поиска. Требования: — java core: многопоточность, NIO, работа с коллекциями, понимание JVM и GC — опыт написания высоконагруженных сервисов — понимание алгоритмов ранжирования, опыт настройки гибридного поиска (текст + вектора) — практический опыт обхода графов — понимание метрик качества поиска, умение работать с ранжирующими моделями.

Задачи: — Разработка и настройка AI-функций продукта — Работа с LLM, RAG, embeddings и векторными базами данных — Интеграция OpenAI, Gemini, DeepSeek и других AI API — Настройка промптов и улучшение качества ответов моделей — Работа с учебными материалами и базой знаний — Поддержка серверной части: Linux, Docker, логи, конфигурации и деплой — Оптимизация скорости работы и стоимости AI-запросов Требования: — Опыт работы от 3 до 6 лет — Уверенное владение Python — Опыт работы с LLM, RAG и embeddings — Опыт интеграции AI API — Понимание FastAPI и REST API — Опыт работы с Linux-серверами — Владение Docker, Git, переменными окружения и инструментами работы с логами — Умение доводить AI-функции до рабочего состояния в продукте — Будет преимуществом: опыт работы с Qdrant, Pinecone, Weaviate, Chroma, PostgreSQL, Redis, TTS/STT, Telegram Bot API, Mini App, MLOps и компьютерным зрением Условия: — Официальное оформление по Трудовому договору или договору ГПХ (с самозанятым, ИП или физическим лицом) — График работы 5/2 — Рабочий день: 8 часов — Гибридный формат работы — Выплата заработной платы два раза в месяц — Возможность проектной или долгосрочной занятости — Условия оплаты обсуждаются по итогам собеседования Адрес: Астана, улица Сарайшык, 5

MDiet — early-stage HealthTech стартап, разрабатывающий AI-powered платформу, которая помогает снижать количество повторных госпитализаций пациентов. Продукт ориентирован на рынок здравоохранения США. Возможна релокация в США при успешном росте компании, обсуждается индивидуально. Tech Stack: • LangGraph + LangChain / Agentic AI • vLLM + Hugging Face • PyTorch + PEFT / LoRA / QLoRA • Vector databases: pgvector, Qdrant, Weaviate, Chroma, Pinecone • Advanced RAG, Prompt Engineering, Embeddings • FastAPI + PostgreSQL • Docker + Kubernetes + async processing: Arq / Celery / Redis Streams • Apache Airflow для data pipelines • AWS Cloud: EC2, S3, SageMaker, Lambda, RDS, Bedrock • Structured output: Outlines / Guidance / Instructor • Evaluation & observability: Langfuse, RAGAS / DeepEval, Prometheus + Grafana • MLOps practices Задачи: • Проектирование и разработка multi-step LLM agents и pipelines для обработки медицинских данных • Разработка production RAG-систем с высоким уровнем grounding и качеством citation • Деплой и оптимизация self-hosted LLM inference через vLLM с фокусом на cost и throughput optimization • Fine-tuning open-source моделей на domain-specific medical data с измеримым улучшением результата • Построение data pipelines и versioning для документов, embeddings и training data • Создание evaluation frameworks, guardrails и систем контроля hallucinations • Реализация reliable structured output и data extraction • Тесное взаимодействие с physicians и Platform Architect Требования: • Сильный hands-on опыт с production LLM systems: RAG, agents, inference • Опыт fine-tuning open-source LLMs: LoRA / QLoRA / PEFT, с измеримыми результатами • Опыт построения data pipelines и versioning для LLM / RAG workloads • Сильные навыки в evaluation, hallucination reduction и structured output • Production Python + FastAPI + async processing • Опыт с self-hosted inference: vLLM или аналогичные решения • Опыт GPU optimization • Английский язык на уровне C1: strong written and spoken communication skills • Bachelor’s degree или выше в Computer Science, Artificial Intelligence, Machine Learning, Data Science или смежной технической области • 5+ лет опыта в ML/AI • 1.5–2+ года опыта в production LLM projects • Опыт с MLOps Будет плюсом: • Опыт в medical / clinical NLP или regulated domains • Cost modeling и optimization of LLM workloads • MLOps и production fine-tuning pipelines • Apache Airflow, Prometheus / Grafana или AI Solution Architecture • Publications in relevant fields Условия: • Работа в early-stage HealthTech startup с продуктом для US healthcare market • Возможность участвовать в создании AI-powered платформы с реальным влиянием на healthcare-процессы • Офисный формат в Астане первые 7–9 месяцев, далее возможен hybrid/remote • Зарплата $4 000 – $5 000 USD gross + equity • Возможность релокации в США при успешном росте компании, обсуждается индивидуально

Задачи: — Разрабатывать и внедрять классические ML-модели для оценки рисков, выявления мошенничества, прогнозирования оттока и ценообразования. — Создавать функции на базе больших языковых моделей (LLM) и внутреннюю автоматизацию с использованием RAG-пайплайнов и агентных рабочих процессов. — Определять стратегию в области искусственного интеллекта, включая стандартизацию инструментов и разработку фреймворков оценки моделей. — Отвечать за полный жизненный цикл ML: от определения требований заинтересованных сторон до развертывания и мониторинга. — Сотрудничать с руководителем отдела данных для формирования возможностей ML/AI с нуля. Требования: — Опыт профессиональной работы ML-инженером не менее 4 лет с использованием Python в продакшене. — Глубокие знания классического машинного обучения, включая инженеринг признаков и валидацию моделей. — Практический опыт работы с фреймворками LLM, такими как LangChain, LangGraph или LlamaIndex. — Подтвержденный опыт создания систем RAG или продуктов на базе LLM для реальных пользователей. — Опыт работы с основными облачными провайдерами (AWS, GCP, Azure) и контейнерами. — Свободное владение английским языком в письменной и устной форме. Желательно: — Опыт работы с MLOps-инструментами, такими как MLflow, Airflow или Kubernetes. — Опыт работы в сферах финтеха, платежей или телекоммуникаций. Условия: — Комплексный страховой пакет, включающий медицинское, стоматологическое и профессиональное страхование. — 30 дней ежегодного отпуска и дополнительная оплата по уходу за ребенком. — Пособие на оздоровление в размере 5000 SEK и скидки на абонементы в спортзал. — Пенсионный план и программа бонусов на основе результатов работы. — Международная и разнообразная команда в Стокгольме.

Задачи: — Проектировать и владеть сквозными ML и дата-системами от сбора данных до продакшн-деплоя — Архитектурно создавать масштабируемые дата-пайплайны для RAG, эмбеддингов и обработки в реальном времени — Строить и эксплуатировать ML-сервисы, API и инфраструктуру с использованием IaC, контейнеризации и оркестрации — Интегрировать ML-системы с внешними API, инструментами и платформами для автоматизации — Устанавливать мониторинг, оценку и наблюдаемость данных, моделей и систем — Наставлять инженеров и задавать техническое направление команды Требования: — Опыт проектирования и масштабирования продакшн ML-систем и дата-платформ — Глубокие знания в области дата-инжиниринга, ML пайплайнов, RAG и эмбеддингов — Опыт создания надежной инфраструктуры данных с гарантией качества — Навыки Python и SQL, Docker, Kubernetes, облачные среды — Опыт работы с IaC (Terraform) и воспроизводимыми масштабируемыми системами — Практический опыт интеграции ML с API/сервисами и продакшн-операциями с мониторингом Желательно: — Опыт работы с LLM, агентными архитектурами (LangGraph, AutoGen, CrewAI) — Знакомство с синтетическими данными, системами оценки, AI feedback loops — Инструменты наблюдаемости Agent/ML (Langfuse, LangSmith) — Обслуживание моделей, маршрутизация, оптимизация инференса — Опыт с open-source моделями (LLaMA, Mistral) или кастомным инференсом — Паттерны надежности и безопасности систем AI Условия: — Гибридный формат работы: 2 дня в неделю на кампусе в Берлине — Поддержка релокации в Берлин — 27 дней отпуска + дополнительные дни после 2-3 лет — Бюджет на образование €1,000, языковые курсы, Udemy, поддержка родителей — Медосмотры, медитация, субсидии на спорт и велосипед — План акций для сотрудников, банк саббатикала, транспортные скидки, страховка, пенсия — Ваучеры на питание, корпоративные скидки

Задачи: - Проектировать и согласовывать архитектуру AI-агента, приложений и интеграций. - Развивать и разрабатывать backend-компоненты AI-агента, общие библиотеки и интеграционные взаимодействия. - Реализовывать решения на базе LLM, ReAct и RAG, включая поиск и подбор релевантных «шагов» из существующей библиотеки. - Интегрировать систему с внутренними сервисами, репозиториями, базами знаний и корпоративной инфраструктурой. - Формировать требования для построения CI/CD, мониторинга, логирования, трассировки и контроля качества для AI-агента. - Проводить ревью кода, поддерживать код-стандарт и участвовать в командных коммуникациях. - Взаимодействовать с специалистами по автоматизированному тестированию, QA-инженерами и разработчиками для уточнения требований и сценариев использования. - Участвовать в разработке пользовательской поверхности решения, в формате IDE plugin. Требования: - Опыт работы от 3-4 лет в разработке. - Высшее образование. - Практический опыт построения RAG-систем и работы с векторными хранилищами, желательно PostgreSQL + pgvector. - Опыт работы с LangChain, Python. - Опыт разработки ReAct агентов. - Понимание принципов ООП, SOLID и паттернов проектирования. - Понимание базовых принципов многопоточного и асинхронного программирования, включая GIL и asyncio. - Практические знания и навыки работы с LLM. - Опыт работы с инструментами контейнеризации приложений, включая Docker. - Лидерские качества: умение принимать решения и брать на себя ответственность. Условия: - Возможность участия в интересных проектах. - Возможность профессионального и карьерного роста в компании. - Опыт работы в команде профессионалов. - Специальные тарифы для сотрудников в спортивные клубы и языковые курсы и пр. - Удаленный и гибридные форматы работы.

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.

Location: Hybrid (Berlin, Germany). Must be based in or be able to relocate to Berlin, Germany (attendance at the Berlin campus 2 days a week). Company: A pioneering local delivery platform operating in over 70 countries, focusing on efficient, affordable, and sustainable last-mile delivery. What you will do: — Build and scale AI agents capable of reasoning, tool calling, and interacting with internal services and data systems. — Develop and maintain Retrieval-Augmented Generation (RAG) pipelines using vector databases and semantic retrieval systems. — Design and implement evaluation frameworks and safety guardrails for agent behavior and model performance. — Implement observability, monitoring, and cost visibility for LLM and agent workloads. — Collaborate with data scientists and platform engineers to integrate AI systems with the broader ML ecosystem. — Optimize systems for performance, reliability, and cost efficiency while operating AI workloads at scale. Requirements: — Proven experience shipping LLM-powered systems or AI agents into production. — 4+ years of experience in production machine learning infrastructure, specifically involving LLMs. — Strong programming skills in Python with experience building scalable backend services. — Experience with Cloud platforms, ideally AWS or GCP. — Strong communication skills and ability to work collaboratively in cross-functional teams. Nice to have: — Experience with Kubernetes, Terraform, Kafka, MLflow, or Kubeflow. — Experience with LLM application frameworks such as LangChain, LangGraph, or LlamaIndex. — Experience with ML frameworks such as Hugging Face or PyTorch. Culture & Benefits: — Hybrid working model with 2 days a week in the Berlin campus. — 27 days of holiday, increasing with years of service. — €1,000 Educational Budget, language courses, and access to Udemy Business. — Health checkups, meditation, and gym/bicycle subsidies. — Employee Share Purchase Plan, corporate pension plan, and life/accident insurance. — Relocation support and dedicated relocation hub for moving to Berlin.