ML-инженер вакансии

Toloka AI is a global tech company offering end-to-end data labeling solutions combining public crowd, domain experts, and machine learning.

Задачи: — Разработка сервисов ИИ платформы для создания функциональных агентов и ИИ ассистентов. — Подготовка бэк части для функциональных агентов, включая среду разработки агентов: тестирование фреймворков, opensource агенты. — Разработка сервиса управления реестром и скиллами агентов. — Создание отдельного единого сервиса для всех баз знаний, интеграция крупных корпоративных источников. Требования: — Понимание архитектуры, возможностей и ограничений современных языковых моделей. — Опыт работы с embeddings, vector search, RAG, structured output и tool calling. — Понимание принципов проектирования AI-агентов: управление состоянием и контекстом, выбор инструментов, контроль уровня автономности и human-in-the-loop. — Опыт построения evals для LLM-систем, оценки качества ответов, контроля галлюцинаций и мониторинга поведения системы. — Понимание рисков prompt injection, некорректного tool calling, утечки данных и чрезмерных прав доступа агента. — Опыт работы с API языковых моделей, Hugging Face и одним из orchestration-фреймворков. — Умение оценивать стоимость, latency и масштабируемость LLM-решений. — Опыт работы в e-commerce, retail или других продуктовых highload-системах. — Опыт работы с Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana. — Опыт эксплуатации GPU-инфраструктуры и оптимизации inference. — Опыт fine-tuning или адаптации LLM, включая LoRA / PEFT. — Опыт проектирования agentic workflows или multi-agent-систем. — Понимание принципов информационной безопасности, privacy и работы с персональными данными. Условия: — full-time

Location: New York, NY (HQ) 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 The Applied Science team builds models and tools that solve Ramp’s most critical problems: from underwriting businesses to combatting fraud to making spend management smarter. We’re deeply embedded in the business and provide a quantitative foundation for decision making. As an Applied Science intern, you’ll be a fully integrated member of the team and own your project from start to finish. Working with engineers, product managers, and business stakeholders, you’ll translate complex business needs into scalable machine-learning-driven solutions. This is a chance to apply ML concretely, ship code, and create genuine value for Ramp and our customers. You will focus on exciting problems in areas like: credit, fraud, growth, or our core product.   WHAT YOU’LL DO - End-to-End ML: own the model lifecycle from data exploration and feature engineering to training, benchmarking, deployment, and monitoring - State-of-the-Art AI: leverage the latest Large Language Models (LLMs) to solve novel problems and create new product capabilities for our customers - Versatile Techniques: apply the right tools to the right problems, whether it’s deep learning, gradient boosting, or causal inference - Rigorous Experimentation: quantify the impact of your work through A/B tests and other statistical methods - Collaborate: partner closely with product and business leaders to translate models and insights into actionable strategy and user-facing features   WHAT YOU NEED - B.S., M.S. or Ph.D. Student: currently pursuing a degree in Data Science, Computer Science, Math, Physics, Economics, Statistics, or other quantitative fields with an expected graduation date between Dec 2027 - 2029. Graduate degrees are preferred, but not a must. - Strong ML Fundamentals: solid understanding of the mathematical foundations of machine learning, statistics, probability, and optimization - Strong Interest or Experience with AI: curiosity and drive to integrate cutting edge LLMs and agents into applied solutions - Python Proficiency: good grasp of common Data Science libraries (pandas, scikit-learn, NumPy, PyTorch, etc.) - SQL Knowledge: experience wrangling data in a modern data warehouse (e.g. Snowflake, BigQuery, Redshift, Clickhouse) - Practical Experience: track record of curating datasets and building/evaluating ML models - Strong Communication: ability to clearly explain complex concepts to both technical and non-technical audiences and use data to build a compelling narrative - Bias For Action: a comfort with ambiguity and desire to ship solutions quickly then iterate   NICE TO HAVES - Publications, Projects, or Previous Experience: relevant experience applying AI/ML and demonstrating your passion for the field - Production ML Mindset: knowledge of software engineering best practices applied to ML including version control (Git), testing, and writing maintainable code - Data Orchestration: experience with leveraging modern data orchestration platforms (Airflow, Dagster, Prefect, Metaflow)   COMPENSATION - The monthly rate for this internship is $12,500 USD + housing stipend   RAMP BENEFITS - Apple MacBook - Catered lunches in NYC office Monday-Friday - Weekly coffee stipend 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: — Проектирование, развёртывание и развитие инфраструктуры платформы искусственного интеллекта (on-prem и облако): Kubernetes-кластеры, GPU-ноды, storage, сети, безопасность. — Построение и поддержка CI/CD/CT-пайплайнов для ML-моделей и сервисов: от артефакта DS до продакшн-инференса с откатами и канареечными релизами. — Интеграция и эксплуатация LLM/ML-сервисов для внутренних команд и рыночных внедрений: упаковка моделей в сервисы, конфигурация autoscaling, SLA, observability. — Настройка мониторинга и алертинга по инфраструктуре и моделям (метрики ресурсов, latency, ошибки, дрейф данных), реагирование на инциденты, участие в post-mortem. — Автоматизация ML-пайплайнов: подготовка данных, обучение, переобучение, регистрация моделей, управление версиями и окружениями. — Поддержка внедрений у клиентов: тиражирование платформенных компонентов, адаптация инфраструктуры под контур заказчика, участие в performance-оптимизации и cost-cutting (GPU/CPU). Требования: — Высшее образование. — Опыт работы: 5+ лет. — Глубокое понимание жизненного цикла ML-модели: от экспериментов до продакшн-инференса и мониторинга. — Уверенный Linux, сетевые основы, безопасность, работа с контейнерами и оркестраторами. — Опыт построения CI/CD-пайплайнов для сервисов и ML-артефактов (Docker images, модели, данные). — Опыт с LLM/GenAI-платформами: vLLM, TGI, Hugging Face, Triton/ONNX Runtime, оптимизация инференса. — Опыт построения feature store, model registry, ML pipelines (Kubeflow, MLflow, Airflow, Argo Workflows). — Работа в гибридной инфраструктуре: on-prem кластеры + публичные облака (T1 Cloud, VK Cloud, Yandex Cloud и др.). — Понимание cost-optimization: FinOps для GPU/CPU, автобалансировка нагрузок. — Языки: Python (утилиты, обвязка) / Bash. — Контейнеризация и оркестрация: Docker, Docker Compose, Kubernetes (Helm, Operators), желательно Kubeflow. — CI/CD: GitLab CI / GitHub Actions / Jenkins / Argo CD. — Инфраструктура: Terraform / Ansible, конфигурация Linux-серверов, Nginx, cert-manager. — Data/ML-инфраструктура: Apache Kafka, Airflow/Argo Workflows, S3-совместимые хранилища, MLflow/Weights&Biases. — Мониторинг и логи: Prometheus, Grafana, Loki/ELK, Sentry, alertmanager. Профессиональные навыки: — Проектирование и развёртывание инфраструктуры платформы ИИ (кластер Kubernetes, storage, сети, security) под LLM/ML-нагрузки. — Построение воспроизводимых ML-пайплайнов: обучение, валидация, packaging модели, деплой в batch и real-time режимах. — Настройка мониторинга моделей: метрики качества, дрейф данных, latency/throughput, автоматический rollback и retraining-триггеры. — Совместная работа с DS/разработчиками и внедренцами: перевод экспериментальных ноутбуков в надёжные сервисы для внутренних и внешних клиентов. Специализированные программы: — GitLab / GitHub, Jira / Confluence/Сфера — Kubernetes ecosystem: kubectl, Helm, K9s, Lens. — ML-инструменты: MLflow / Weights & Biases, Kubeflow Pipelines / Airflow, model registry. — Мониторинг: Prometheus, Grafana, Loki/ELK, Alertmanager, Sentry.

О нас: Мы строим ведущую платформу классифайд объявлений Узбекистана. ML - ядро нашего продукта: поиск, ранжирование, модерация и рекомендации. Команда находится на активной стадии построения ML-инфраструктуры с нуля: мы выбираем технологии, формируем процессы и закладываем фундамент для ML-платформы следующего поколения. Чем предстоит заниматься: - Развивать качество поиска: LTR-модели (LambdaMART/LightGBM), разрабатывать и интегрировать векторный поиск, улучшение поискового пайплайна (работа с саджестером, catpred). - Строить ML-модели для Trust & Safety: обнаружение мошенничества, модерация объявлений, NER в мессенджерах, скоринг нарушений. - Развивать систему рекомендаций - item2item, user2item рекомендации. - Участвовать в проектировании и развёртывании ML-платформы (SageMaker, MLflow, Feast, Evidently, Airflow).

Задачи: — Проектировать и разрабатывать multi-agent системы. — Интегрировать LLM с внутренними инструментами и сервисами. — Разрабатывать backend-сервисы и API для agent workflows. — Реализовывать RAG pipelines и tool/function calling. — Создавать CLI-based agent workflows и инструменты автоматизации. — Разрабатывать Computer Vision pipelines: object detection, multi-object tracking, person re-identification. — Разрабатывать multi-camera multi-person tracking для сетей камер. — Работать с видеопотоками в реальном времени и оптимизировать GPU inference. Требования: — Опыт работы с Node.js ecosystem и Express.js. — Уверенное владение Python. — Опыт работы с LLM APIs и prompt engineering. — Опыт работы с RAG, tool calling или agent frameworks. — Знакомство с Docker, Linux и Git. — Опыт работы с PyTorch и OpenCV. — Опыт в object detection и multi-object tracking. — Опыт работы с YOLO, ByteTrack / BoT-SORT или аналогами. — Понимание person re-identification и vector search. — Опыт работы с Milvus / FAISS. — Опыт обработки видео с ffmpeg / GStreamer. — Работа с RTSP и hardware decoding. Будет плюсом: — Опыт в NLP и ML. — Опыт развёртывания open-source LLM. — Опыт оптимизации inference. — Опыт работы с Vision-Language Models. — TensorRT / ONNX Runtime. Условия: — Удалённый формат работы. — Заработная плата: 1.600–3.200 USD net в месяц.

Задачи: — Разработка ML-моделей и алгоритмов — Вывод в production ML-моделей и расчетных модулей — Аналитика на больших данных — Поддержка реализованных решений — Разработка ML-моделей и алгоритмов для прогнозирования временных рядов Требования: — продвинутые знания в области математики (мат.анализ, линейная алгебра, теория вероятностей, мат.статистика) — python: типы данных, структуры, ООП — классический ML: задачи (классификация, регрессия), метрики, basic ML stack (pandas, numpy, sklearn, catboost, xgboost), SQL — BigData stack (Hadoop, Spark, SparkML) — умение работать с git, Jira, Confluence Будет плюсом: — знания в области финансов — опыт продуктовой аналитики — опыт работы с временными рядами (анализ, разработка моделей) — опыт работы с LLM (langchain, langgraph) — опыт end-2-end разработки ML-моделей (EDA-MVP-Solution-Validation-Production) — опыт backend разработки Условия: — комфортный современный офис рядом с м. Кутузовская — гибридный формат работы — ежегодный пересмотр зарплаты, годовая премия — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — программа адаптации и помощь руководителя на старте — расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа — гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ — бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров — вознаграждение за рекомендацию друзей в команду Сбера.

О проекте Промышленная видеоаналитика. Ядро уже работает - детекция, трекинг, распознавание лиц, детектор СИЗ, API и веб-интерфейс. Нужно довести систему до продакшн внедрения. Задачи: - Довести распознавание лиц до измеримого качества: разметка, калибровка порогов, метрики FAR/FRR - Устойчивое отслеживание - Оптимизация производительности пайплайна под CPU-only сервер для оффлайн обработки - Обучение и дообучение детекторов на собственных данных, организация разметки Требования - Уверенный Python + Go, опыт с ONNX/ONNX Runtime (экспорт, opset, оптимизация latency на CPU, а не GPU serving) - Опыт с YOLO - Face detection/recognition пайплайны (детектор + embedding + порог по cosine similarity) - Опыт с OpenCV DNN/Zoo моделями плюс - Object tracking (IoU/ByteTrack-подобные трекеры, multi-object tracking metrics, ID switches)

Задачи: — Повышение качества RAG-агентов по трём направлениям: поиск по технической документации, нормативной базе, бухгалтерской документации; — Промпт-инжиниринг и контекст-инжиниринг для всех агентов команды; — Подготовка эталонных наборов оценки качества; — Реализация LLM-as-a-judge для автоматических регрессионных проверок; — Настройка защит для production-агентов: фильтры от инъекций в промпт, валидация структуры и контента выходов, защита от утечек персональных данных, anti-hallucination механизмы; — A/B-тестирование промптов и моделей для подбора лучших конфигураций; — Тюнинг качества по сигналам обратной связи пользователей и трассировкам из Langfuse. Требования: — Python от 2 лет коммерческой разработки; — Практический опыт RAG-систем в продакшене: эмбеддинги, векторные базы (Qdrant, FAISS или pgvector), переранжирование, чанкинг; — Опыт построения и поддержки как минимум одного RAG-решения от начала до конца, не прототип; — Практический опыт оценки качества LLM-систем: подготовка эталонных наборов, offline-метрики, LLM-as-judge, регрессионные проверки; — Опыт работы с фреймворками оценки (Ragas, DeepEval или аналоги); — Практический опыт настройки защит для LLM-приложений: защита от инъекций в промпт, валидация структуры и контента выходов, защита от утечек персональных данных; — Опыт промпт-инжиниринга и контекст-инжиниринга в реальных проектах: итеративная настройка промптов, structured output, function calling; — Понимание архитектуры RAG: стратегии нарезки документов, метаданные, выбор моделей эмбеддингов, переранжирование, точность ссылок на источник; — Практический опыт работы хотя бы с одним LLM-фреймворком: LangChain, LangGraph, PydanticAI, OpenAI API или аналоги; — Практический опыт A/B-тестирования промптов и моделей в продакшене; — Опыт работы с агентскими протоколами (MCP) или собственным tool-layer для агентов; — SQL и работа с реляционными базами на базовом уровне.

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.

Ищем стажера машинного обучения - ML Engineer с небольшим опытом работы или со студенческими проектами в данной отрасли. Требуется прислать резюме для отклика на вакансию.

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.

Synthesia Roleplay Sessions is a training tool that lets people practice real conversations with AI avatars. Instead of just watching training videos, learners do interactive roleplay exercises, like practicing a sales pitch or handling a customer complaint with an AI coach. The AI gives instant feedback so people know what they did well and what to improve. Managers can use a dashboard to track which employees have completed their training, see how well they performed, and measure if the training actually improved their skills. The whole platform is built around learning by doing rather than just passive video watching. For your ML engineer role, you'd be building the AI engine that makes the coaching work. That means creating the models that listen to what learners say during roleplay, score their performance, generate helpful feedback in real time, and decide how the AI avatar should respond next based on what the learner does. This is an applied ML position, not a research one. We expect you to have a good understanding of ML but on the other side to be a good product-focused software developer as you will be expected to work on different products. Please bring with you: — Ability to apply your machine learning knowledge to solve real product problems. — At least seven (7) years of experience as a software engineer, with at least 2 years at senior level. — Experience in a high-performing engineering team operating at scale, whether in a scale-up or established organisation recognised for strong engineering culture. — Strong alignment with commercial success. — Pragmatism and bias towards action. — Comfort with fast iteration. Why join us? — We’re living the golden age of AI. — Our culture is focused on building and empowering people to work fast. — Serving 50,000+ customers including 50% of the Fortune 500. — Proprietary AI technology built in-house by world-class AI researchers and engineers. — Commitment to AI safety, ethics, and security. The hiring process includes: — Tech Recruiter Interview (30-40min) covering technical background and experience. — Delivery and Impact Interview (60min) deep dive into past projects and impact. — Technical Rounds including Work Scenario Round (75-90min) and System Design Technical Discussion (60min). — Leadership Retrospective (60min) discussing collaboration, growth, and role expectations. — Final debrief leading to offer or end of process. Other important info: — Preference for role based in-office or remote in UK, Germany, Switzerland or Ireland, with possible support for remote workers elsewhere in Europe. — Salary starts at EUR/GBP/CHF 120,000 base plus RSUs. — Full-time employment only, no contractors. — 25 days of leave plus local holidays.