Вакансии

Location: Москва; Санкт-Петербург Workplace: Офис Мы экспериментируем с большими генеративными моделями для предсказания траектории автомобиля. Вам предстоит проверять различные архитектуры и методы обучения из статей, а также заниматься качеством датасета и применять различные методы семплинга более полезных данных. Решение задачи планирования движения — один из самых больших вызовов в отрасли автономных технологий. Мы экспериментируем с большими генеративными моделями для предсказания траектории, по которой поедет автомобиль. Траектория должна обеспечивать безопасное взаимодействие с участниками движения, быть комфортной для пассажира и позволять автомобилю успешно достичь конечной точки маршрута. Обязанности Обучение больших нейросетевых моделей планирования движения Учить трансформеры извлекать информацию о взаимодействии участников движения с траекторией автомобиля. Проверять и внедрять самые современные подходы из научных статей об автономном вождении. Экспериментировать с архитектурами и методами обучения. Поиск сложных и разнообразных дорожных ситуаций Исследовать и применять различные подходы для поиска сложных дорожных ситуаций, которые вы будете использовать для обучения моделей. Ваш обучающий датасет должен содержать разнообразные и достаточно непростые дорожные сценарии. Внедрение разработок в автомобили Яндекса Вам предстоит внедрять свои разработки в пайплайн движения автомобиля и наблюдать, как ваша работа повышает качество технологии. Больше об ML в Яндексе — в канале Yandex for ML Требования * Обучали нейросетевые модели, внедряли DL-решения в продакшен * Уверенно ориентируетесь в области DL, быстро разбираетесь в новых методах * Умеете программировать на Python, работали с PyTorch или TensorFlow * Хорошо знаете классические структуры данных и алгоритмы * Умеете выдвигать гипотезы и выстраивать эксперименты для их проверки * Читаете статьи об ML, следите за развитием этой области Будет плюсом * Имеете публикации в сборниках научных конференций высокого уровня * Хорошо знаете С++ и STL * Работали с большими объёмами данных * Участвовали в соревнованиях по ML или спортивному программированию * Увлечены автономными автомобилями

Location: Москва Workplace: Офис Мы экспериментируем с большими генеративными моделями, чтобы предсказывать, как будет двигаться автомобиль. Приходите пробовать разные подходы, внедрять свои разработки и помогать модели лучше справляться с дорожными ситуациями. Вы сможете увидеть, как ваша работа улучшает качество технологии. Планирование движения — одна из самых сложных задач в сфере автономных технологий. Мы экспериментируем с большими генеративными моделями, чтобы предсказывать, как будет двигаться автомобиль. Траектория должна быть безопасной для всех участников движения, комфортной для пассажира и позволять автомобилю доехать до конечной точки маршрута. Мы хотим улучшить модель, чтобы она лучше справлялась с новыми дорожными ситуациями. Для этого исследуем новые алгоритмы RL‑обучения, экспериментируем с наградами и работаем с данными. В том числе развиваем направление сложных и редких сценариев для обучения ML‑планировщика. Вам предстоит не только изучать статьи и пробовать разные подходы, но и внедрять собственные разработки в пайплайн движения автомобиля. Вы сможете увидеть, как ваша работа улучшает качество технологии. Обязанности Разработка алгоритмов Вы будете разрабатывать алгоритмы, которые генерируют синтетические дорожные сценарии для ML‑планера. При этом предстоит изучить много материалов, придумать разные подходы и разобраться, как их воплотить в жизнь. Исследование методов работы с агентами Вы будете экспериментировать с разными подходами, в том числе с reinforcement learning и диффузионными моделями (diffusion models), чтобы изменить поведение агентов или добавить новых на сцену и создавать синтетический контент. Улучшение RL‑обучения Вы будете работать с синтетическими данными: не только создавать качественную синтетику, но и обучать модели на ней. Важно найти баланс между синтетическими и реальными данными, а также понять, как улучшать обучение при добавлении сцен без Ground Truth водителя. Больше об ML в Яндексе — в канале Yandex for ML Требования * Обучали нейросетевые модели * Внедряли DL‑решения в продакшн * Программировали на Python * Работали с PyTorch * Знаете классические структуры данных и алгоритмы * Ориентируетесь в области DL * Быстро разбираетесь в новых методах * Умеете выдвигать гипотезы и выстраивать эксперименты для их проверки * Читаете статьи о ML * Следите за развитием области ML Будет плюсом * Внедряли методы обучения с подкреплением в продакшн * Работали с диффузионными моделями * Публиковались в сборниках научных конференций высокого уровня * Работали с большими объёмами данных * Участвовали в соревнованиях по ML или спортивному программированию * Увлечены автомобилями или автономными автомобилями

Location: Москва Workplace: Офис Мы разработали систему симуляции, которая позволяет тестировать новые версии компонент автопилота в виртуальной среде. Ищем сильного ML-разработчика. Откликайтесь, если знаете Python, имеете опыт работы с данными, занимались генеративным CV и обучали нейросети на распределённых кластерах. Больше о команде Ключевые критерии качества автономного автомобиля — безопасность, комфорт и эффективность. Оценивать их только на реальных дорогах долго, дорого, а для некоторых сценариев практически невозможно. Поэтому в Яндексе мы разработали систему симуляции, которая позволяет тестировать новые версии компонент автопилота в виртуальной среде и быстро оценивать, как меняется поведение автомобиля в разных дорожных ситуациях, погодных условиях и на разных территориях. Достоверность таких тестов определяется тем, насколько реалистично окружающая среда реагирует на действия автономного автомобиля. Для этого мы используем ML-модель, которая предсказывает движение других участников дорожного движения: машин, мотоциклов и пешеходов. Над этой моделью и предстоит работать будущему участнику нашей команды. Симулятор используют много команд, поэтому наши улучшения напрямую влияют на скорость и качество разработки автономного автомобиля Яндекса. Обязанности Улучшение качества и разработка новых функций модели Вам предстоит работать над повышением базового качества нейросети для генерации траекторий машин и пешеходов. Задачи включают улучшение датасета (сбор, фильтрацию и предобработку данных), архитектурные доработки моделей, оптимизацию процесса обучения и инференса, а также исследование возможностей внедрения inpainting, различных conditioning и guidance для решения продуктовых задач. Удачные наработки затем нужно будет внедрять в продакшен своими силами и силами бэкенд-команды. Разработка фреймворка приёмки моделей Вторым фокусом будет участие в построении надёжной и автоматизированной системы оценки качества и приёмки новых версий модели. Нужно будет реализовывать в продакшен-системе и train-цикле моделей метрики из SOTA-статей, разрабатывать собственные метрики для оценки краевых случаев и внедрять краудсорсинг в процессы приёмки для комплексной оценки моделей. Больше об ML в Яндексе — в канале Yandex for ML Требования * Программировали на Python * Работали с данными (сбор из сырых логов, формирование новых датасетов) * Занимались генеративным CV * Обучали нейросети на распределённых кластерах * Участвовали в ML-проектах полного цикла с привязкой к бизнес-потребностям Будет плюсом * Имеете практический опыт обучения диффузионных моделей * Внедряли модели в продакшен через FastAPI + Docker, Triton Inference Server или любой другой фреймворк * Участвовали в соревнованиях по ML или программированию (ACM ICPC, Codeforces, Topcoder, Kaggle и т. д.) * Умеете программировать на C++ * Знаете правила дорожного движения, водили автомобиль или мотоцикл

– Уверенно владеешь Python и понимаешь связанные с ним фреймворки: tf, pytorch, numpy, librosa, opencv.

Предстоит исследовать LLM и RAG, работать с неструктурированными данными, готовить датасеты и обучать chat- и embedding-модели. Среди задач также AI-инструменты и агенты для корпоративных продуктов.

Location: Москва Workplace: гибкий Направление фильмов и сериалов в VK Видео отвечает за развитие одних из ключевых сценариев потребления: фильмы, сериалы, детский контент, ТВ-шоу и тематические подборки. Мы хотим сделать эти сценарии удобнее и персональнее для пользователя: помогать находить хороший фильм на вечер, выбирать следующую серию любимого сериала, продолжать просмотр с нужного места и получать релевантные рекомендации без дублей. Мы ищем старшего ML-разработчика, который будет развивать киносериальные рекомендации: анализировать пользовательское поведение, формулировать и проверять гипотезы, развивать матчинг и дедупликацию контента, обучать модели, обеспечивать стабильную работу рантайма, проводить A/B-эксперименты и развивать систему метрик. Об одном из наших релизов можно прочитать здесь: https://vk.company/ru/press/releases/12243/ Что предлагаем: Большой масштаб — десятки миллионов пользователей, высоконагруженный рантайм и большие данные Значимую продуктовую зону — фильмы и сериалы являются одним из ключевых драйверов роста вовлечения и TVT Сильную техническую среду — Discovery-платформа, ML-инфраструктура, Java, YTsaurus, быстрый цикл экспериментов Нетривиальные задачи — матчинг тайтлов, дедупликация копий, рекомендации сериалов, подборки, работа с плейлистами и кластерными сущностями Реальное влияние на продукт — возможность влиять не только на модели, но и на качество пользовательских сценариев Задачи Развивать рекомендации для фильмов, сериалов, детского контента, ТВ-шоу и тематических подборок, а также разрабатывать механизмы матчинга и дедупликации контента Обеспечивать стабильную работу ML-решений в высоконагруженном рантайме Проводить A/B-эксперименты и принимать решения на основе данных Взаимодействовать с продуктом, аналитиками, бэкендом и смежными ML-командами Находить точки роста и формулировать продуктовые и ML-гипотезы Требования Вы имеете от трёх лет опыта разработки ML-решений Уверенно пишете код на Python, Java или C++ Работали с ML-системами в условиях высокой нагрузки Умеете работать с продуктовыми метриками и A/B-тестами Готовы брать на себя сложные технические задачи и доводить решения до продакшена Будет плюсом Работали с рекомендательными, поисковыми или рекламными системами Работали с видео, медиа, UGC или стриминговыми продуктами Сталкивались с задачами матчинга и дедупликации контента Имеете опыт оптимизации ML-рантайма и production-инфраструктуры

Location: Санкт-Петербург Workplace: Комбинированный VK с самого основания соцсети стала точкой сближения пользователей друг с другом, а авторов — с их аудиторией. Здесь рождаются локальные мемы и вырастают известные на всю платформу блогеры; здесь можно делиться творчеством на многомиллионную аудиторию и не оставаться незамеченным благодаря умным алгоритмам рекомендаций. Наша команда развивает ML-механики авторов: помогаем пользователям находить действительно интересный контент, а авторам — быстрее набирать охваты и стабильно расти на платформе. Мы работаем на стыке хайлоадного бэкенда и продуктовых экспериментов: строим и улучшаем пайплайны данных, разрабатываем модели подбора релевантного контента и ранжирования, запускаем A/B‑эксперименты и доводим решения до стабильного продакшен-рантайма. Мы ищем ML‑разработчика, который вместе с нами будет развивать механики роста авторов и создавать новые модели подбора заинтересованной аудитории под конкретных авторов и их контент — от формулировки гипотез и обучения моделей до внедрения и измеримого влияния на ключевые метрики продукта. Задачи Улучшать базовое качество рекомендаций и ранжирования Анализировать поведение пользователей и потребление контента, выдвигать и проверять продуктовые гипотезы Строить и поддерживать end‑to‑end пайплайны моделей: от данных и обучения до продакшен‑внедрения и мониторинга метрик Принимать участие в разработке сервисов, внедрять алгоритмы в бэкенд на Java Проводить A/B-тестирование и принимать решения с влиянием на огромную аудиторию пользователей ВК Требования Знание классических алгоритмов и принципов ML Понимание основных принципов работы рекомендательных систем Знание математической статистики и методики проведения A/B-тестирования Уверенное владение Python/Java и SQL Открытость, самостоятельность, проактивность

Location: Москва; Белград Workplace: Офис, Гибридный Яндекс Плюс — это единая подписка на сервисы Яндекса, которая даёт доступ к музыке, фильмам, подкастам, книгам, играм, спортивному и другому контенту. Ищем ML-разработчика в Плюс Лояльность. Вам предстоит писать код на Java и придумывать, как повысить эффективность механик лояльности. Яндекс Плюс — это единая подписка на сервисы Яндекса, которая даёт доступ к музыке, фильмам, подкастам, книгам, играм, спортивному и другому контенту. Это большой экосистемный проект, где более 35 миллионов подписчиков каждый день используют разнообразные возможности во всех сервисах экосистемы: слушают «Мою волну» в Музыке, получают кешбэк в Такси, Еде, на Маркете и в других сервисах Яндекса, смотрят кино на Кинопоиске. Одно из фокусных направлений — развитие сценариев лояльности. Количество предложений для пользователей растёт каждый день, и необходимо построить системы оптимального управления этим оферингом, скидками и баллами Плюса. Механик лояльности довольно много, каждая их них должна быть оптимизирована и максимально эффективна без превышения расходов. При этом все механики должны работать в одном направлении, не противореча целям бизнеса. Обязанности Выдвижение гипотез и проведение экспериментов Вам предстоит предлагать новые гипотезы и тестировать их, чтобы с помощью ML-моделей повышать эффективность механик лояльности для наших подписчиков в экосистеме Яндекса. Написание продакшн-кода на Java Мы работаем с классическими методами ML, оборачиваем наши модели в сервисы на Java и выводим в продакшн. Вам предстоит писать надёжный и эффективный продакшн-код на Java. Требования * Понимаете принципы классического ML * Знаете традиционные алгоритмы и структуры данных * Хорошо знакомы с Python и SQL * Можете понятно продемонстрировать бизнесу результаты исследований, аргументированно отстаиваете свою точку зрения * Готовы отвечать за продакшн-модели в runtime Будет плюсом * Выводили ML-модели в продакшн * Разрабатывали на Java или C++ * Умеете решать задачи из области Causal Inference

Знание Python и основ машинного и глубокого обучения (ML/DL). Понимание NLP и LLM, принципов дообучения моделей (Fine-tuning), построения RAG-систем и семантического поиска.

Вакансия предполагает создание и внедрение нейросетевых моделей, которые объединяют методы компьютерного зрения (CV) и обработки естественного языка (NLP). Основная задача — разработка эффективных алгоритмов и моделей, способных работать на пересечении этих двух областей машинного обучения.

Location: Москва Наша команда занимается развитием методологии кибербезопасности банка, разработкой и поддержанием в актуальном состоянии правил и требований кибербезопасности для устойчивого развития бизнеса и достижения целей банка. Обязанности ### Вам предстоит: * разработка и внедрение core-логики AI-агента в production * проектирование и реализация backend-сервисов на Python * интеграция с LLM, инструментами разработки (CI/CD, репозитории, тестовые фреймворки) * интеграция с внешними системами и сервисами через Kafka, REST API, gRPC, WS и другие протоколы * построение архитектуры автономных AI-систем * разработка механизмов планирования, оркестрации и выполнения задач агентом * оптимизация производительности и надежности системы * участие в принятии архитектурных решений * подготовка релизов моделей и агентов, включая документацию, демонстрационные материалы и защиту решений перед банковскими регуляторами. Требования ### Что для нас важно: * опыт работы в качестве ML-инженера, DS, MLOPS или Python Backend-разработчика в сфере машинного обучения * опыт промышленной разработки на Python, знание принципов ООП и паттернов проектирования, опыт работы с микросервисной архитектурой * работа с большими объемами данных и распределёнными хранилищами данных, такими как Hadoop * понимание PDLC/SDLC процессов и инструментов разработки (Git, CI/CD, тестирование) * опыт работы с инструментами для создания AI-агентов, такими как LangChain или LangGraph * базовое понимание ML/DL. Условия ### Мы предлагаем: * комфортный современный офис * офисный 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 * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.

Задачи: — Разработка и обучение моделей для анализа изображений и облаков точек — Подготовка датасетов, анализ данных — Сбор, анализ и предобработка данных, составление датасетов — Обучение моделей и тестирование гипотез — Деплой полученных решений — Написание технической документации — Презентация результатов внутри команды и заказчику — Изучение новых подходов для решения поставленных задач — Взаимодействие с командой разработки и аналитиками Требования: — Опыт разработки ML-решений для бизнеса от 3 лет — Опыт работы с CV на реальных проектах от 1 года — Опыт промышленной разработки на Python от 3 лет — Умение писать production-ready код на Python — Опыт работы с PyTorch — Умение обучать и дообучать модели, проводить тестирование — Опыт работы с Git — Умение версионировать данные и логировать эксперименты (DVC, MLFlow, ClearML) — Опыт работы с Docker — Опыт проработки требований, опыт декомпозиции и приоритизации задач — Умение вести техническую документацию — Знание английского B2 — Опыт работы с трехмерными данными Будет плюсом: — Опыт работы с ГИС и специальными форматами данных (geotiff, las)

Задачи: — Развитие harness: построение эффективной обвязки вокруг модели, разработка базы знаний по вариации тест-кейсов, улучшение планера, разработка верификаторов и инструментов. — Агентское планирование в модели: обучение модели эффективным стратегиям и работе в harness для сохранения эффективности и оптимального решения задач. Требования: — Понимание построения VLM-агентов и tool calling, опыт работы с ними. — Знание RL в интерактивных средах. — Хорошее знание NLP и CV, особенно LLM и VLM. — Умение решать ML-задачи полного цикла — от сбора разметки до внедрения в продакшен. Будет плюсом: — Понимание ограничений современных VLM. — Следить за трендами в области агентов и tool-augmented-моделей. Условия: — Бесплатное участие в профильных конференциях для сотрудников. — Школа подготовки спикеров для выступающих на конференциях.

Задачи: — Преобразовывать бизнес-требования в ML-задачи, собирать пайплайн, обучать и проверять модель, внедрять её в реалтайм-сервис и тестировать с помощью A/B-теста. — Искать точки роста, предлагать и отстаивать свои идеи, запускать рекомендации на новых поверхностях и вертикалях. — Ранжировать с учётом предпочтений, доступности и загрузки ресторана, скорости и стоимости доставки, а также балансировать органику с рекламным продвижением. — Сотрудничать с продуктовыми командами, аналитиками и MLOps, решать общие задачи, проводить совместные эксперименты и защищать результаты. Требования: — Опыт разработки на Python или C++. — Хорошее знание методов анализа данных и ML с практическим применением. Будет плюсом: — Опыт создания рекомендательных систем или поиска. — Опыт работы с высоконагруженными реалтайм-системами.

Задачи: — Строить сложные reward-функции, экспериментировать с масштабируемыми reward-функциями, учитывать разные особенности и элементы ответов, решать вопросы качества и скорости обучения, бороться с reward hacking. — Развивать базовую умность модели, понимать сцену на изображении (электрические схемы, геометрические рисунки) и знать графические концепты. — Создавать новые датасеты, разрабатывать многоступенчатые пайплайны для мультимодальных датасетов, учитывающие разнообразие и сложность тематик. Требования: — Гореть темой больших мультимодальных или языковых моделей, иметь опыт их обучения. — Хорошо знать NLP и CV, следить за трендами в LLM и VLM. — Уметь решать ML-задачи полного цикла: от сбора разметки до внедрения в продакшен. Условия: — Ежегодные медицинские чекапы, йога и психотерапия. — Другие бонусы, полный список доступен по ссылке https://yandex.ru/jobs/pages/benefits.

Задачи: — Ключевое влияние на продукт: проектирование и развитие пайплайнов оценки качества всех компонент AI-чата на базе LLM-моделей и агентских систем. — Разработка мультиязычных моделей и адаптация решений под особенности разных стран для международных рынков. — Масштабирование решений и запуск AI-чата в новой стране за две недели. — Совместная работа с продуктовой и технической командами, взаимодействие с продакт-менеджерами и участие в продуктовых решениях. Требования: — Применение методов анализа данных и ML. — Владение Python и SQL. — Желание заниматься ML, NLP и аналитикой. — Умение делать выводы на основе данных. Условия: — Ежегодные медицинские чекапы, йога и психотерапия для предотвращения тревожности и выгорания.

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: — Обучение ML-моделей под разные задачи, включая прогнозаторы кликов, конверсий, ставок и работу с аукционами. — Обучение мультиязычных NLP-моделей и адаптация решений под особенности конкретных стран. — Строительство end-to-end ML-пайплайнов: сбор и подготовка данных, офлайн- и онлайн-метрики, оптимизация инференса. — Совместная работа с продуктовой и технической командами, участие в инженерных и продуктовых решениях. Требования: — Опыт построения end-to-end ML-пайплайнов и доведения решений до продакшена. — Желание заниматься прикладными ML-исследованиями. — Практический опыт в NLP или RecSys. Условия: — Корпоративная подписка на чекапы, спорт, терапию, образовательные курсы и другие бонусы в Яндексе.