Вакансии

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.

Зарплата не указана

• Развитие harness. Нам важно строить эффективную (как по токенам, так и по скорости) обвязку вокруг модели.

Зарплата не указана

• Цикл ML-проекта. Вы будете преобразовывать бизнес-требования в ML-задачи, собирать пайплайн, обучать и проверять модель, внедрять её в реалтайм-сервис и тестировать с помощью A/B-теста.

Зарплата не указана

• Строить сложные reward-функции. • Развивать базовую умность модели.

Зарплата не указана

Вы будете проектировать и развивать пайплайны оценки качества всех компонент AI-чата на базе LLM-моделей и агентских систем. Вы будете участвовать в разработке мультиязычных моделей и адаптации решений под особенности разных стран.

Зарплата не указана

-Дистрибуция страховых продуктов. Предстоит развивать модели отбора пользователей, которым может быть актуален конкретный страховой продукт.

Зарплата не указана

• Обучение ML-моделей под разные задачи. Вы будете улучшать прогнозаторы кликов, конверсий, ставок и работать с аукционами.

Зарплата не указана

Задачи: — Разрабатывать и тестировать алгоритмы на базе LLM для генерации вопросов, ответов и кратких пересказов; — Работать с RAG-подходами: подготовка данных, индексация, поиск релевантного контекста, генерация ответа на его основе; — Участвовать в развитии виртуального ассистента и сценариев свободного диалога с пользователем; — Настраивать фактчекинг, фильтрацию и оценку качества ответов модели; — Разрабатывать пайплайны для суммаризации полезного контента; — Сравнивать результаты, подготовленные моделью, с редакционными версиями материалов, в том числе на примере «Картины дня»; — Создавать и развивать векторные поисковые индексы для задач RAG; — Тестировать промпты, гипотезы и подходы к улучшению качества ответов. Требования: — Опыт разработки на Python; — Опыт работы с задачами NLP: обработка текстов, классификация, генерация, суммаризация, NER, семантический поиск или похожие задачи; — Понимание принципов работы LLM и практический опыт их применения; — Опыт или хорошее понимание RAG-подходов; — Опыт работы с библиотеками и инструментами для ML/NLP: PyTorch, TensorFlow, Hugging Face, Transformers или аналогами; — Понимание fine-tuning/LoRA/prompt engineering на уровне, достаточном для прикладных задач; — Умение оценивать качество моделей и промптов: метрики, сравнение результатов, базовый benchmarking; — Знание SQL и опыт работы с базами данных; — Готовность разбираться в продуктовой задаче, а не только в модели. Условия: — Официальное трудоустройство; — ДМС со стоматологией, офисный врач, доплата больничного листа, корпоративные скидки; — Современный офис (Даниловская мануфактура, м. Тульская), бесплатный спорт в собственном спортзале от «Лиги Героев»; — Бесплатная подписка на сервисы партнеров; — Полный день в офисе, гибридный график или 100% дистанционный формат работы; — Льготные условия ипотеки в рамках зарплатного проекта; — Насыщенная корпоративная жизнь.

Зарплата не указана

Задачи: — Исследование и разработка LLM: полный цикл работы с языковыми моделями от гипотез и экспериментов до оптимизации и внедрения в продакшен. — Проведение A/B-экспериментов: валидировать гипотезы через масштабные A/B-тесты, анализировать влияние на ключевые продуктовые и бизнес-метрики. — Работа с продуктом: взаимодействовать с инженерами и продакт-менеджерами для превращения исследовательских решений в рабочие фичи. — Анализ и оптимизация: отслеживать качество моделей, искать точки роста и устранять слепые зоны в данных и алгоритмах для улучшения ключевых метрик. Требования: — Хорошее знание основ современного ML и DL. — Готовность работать с большими данными и распределёнными вычислениями. — Желание заниматься прикладными ML-исследованиями. — Практический опыт в NLP или RecSys. Условия: — Ежегодные медицинские чекапы, йога и психотерапия, а также другие бонусы.

Зарплата не указана

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.

Зарплата не указана

Задачи: — улучшение RL-моделей, обучение трансформеров для извлечения информации о взаимодействии участников движения с траекторией автомобиля — проверка и внедрение современных подходов из научных статей об автономном вождении — экспериментирование с наградами и методами обучения — внедрение разработок в пайплайн движения автомобиля и наблюдение за повышением качества технологии Требования: — опыт обучения нейросетевых моделей и внедрения DL-решений в продакшен — знание области DL и способность быстро разбираться в новых методах — программирование на Python, опыт работы с PyTorch — знание классических структур данных и алгоритмов — умение выдвигать гипотезы и выстраивать эксперименты для их проверки — чтение статей о ML и следование развитию области Дополнительные требования: — опыт внедрения методов обучения с подкреплением в продакшен — публикации в сборниках научных конференций высокого уровня — опыт работы с большими объёмами данных — участие в соревнованиях по ML или спортивному программированию — увлечение автомобилями или автономными автомобилями

Зарплата не указана

Зарплата не указана

О ПРОЕКТЕ DigiNavi — это иммерсивная AR-навигация для крупных общественных пространств (ТЦ, аэропорты). Мы превращаем локации в SMART-зоны с помощью Computer Vision и дополненной реальности. Наша команда внедряет подход VibeCoding: вы выступаете архитектором решений, используя AI-агентов (Claude Code, Cursor) как основной инструмент исполнения. ЧЕМ ПРЕДСТОИТ ЗАНИМАТЬСЯ — AI-Driven Development: Разработка и поддержка кода через AI-инструментарий. — R&D & Prototyping: Быстрая проверка гипотез и внедрение алгоритмов (SuperPoint, NetVLAD, Gaussian Splatting). — Architecture: Рефакторинг CV-компонентов в гетерогенной среде (Go / C++ / Python). — Integration: Внедрение ML-моделей в микросервисную архитектуру через gRPC и Kafka. — Optimization: Работа с high-load системами и оптимизация инференса моделей. ЧТО МЫ ЖДЕМ ОТ ВАС — CV & ML Expert: Глубокие знания PyTorch и OpenCV. Опыт создания Computer Vision решений. — VibeCoding Skills: Практический опыт работы с Claude Code, Cursor или аналогами. Понимание SDD и TDD подходов. — Backend: Опыт production-развертывания (FastAPI, Docker) и понимание микросервисов. — Polyglot Mindset: Готовность работать в окружении, где используются Go и C++ (чтение и интеграция). — Документация: Умение создавать техническую документацию и структурировать процессы там, где их нет. БУДЕТ ПЛЮСОМ — Опыт оптимизации инференса для мобильных платформ. — Работа с облачной инфраструктурой GCP. — Понимание специфики разработки в сфере AR/VR.

310 000 – 430 000 ₽

Задачи: — Разработка и оптимизация моделей для обработки/генерации звука. Требования: — Минимум 3 года работы в разработке и оптимизации моделей для обработки/генерации звука; — Глубокие знания в области DL и ML; — Опыт работы с инструментами и библиотеками TensorFlow, TensorRT, Triton (NVidia), PyTorch, Hugging Face; — Умение работать в команде и проактивная позиция; — Знание архитектуры моделей (Transformers, RNN и др.); — Опыт работы с большими данными и основами обработки данных; — Умение оптимизировать модель и проводить её оценку (A/B тестирование, метрики качества). Желательно: — Опыт работы над задачами speech enhancement, noise cancellation, tts, asr. Условия: — Оформление: Только ИП.

260 000 – 320 000 ₽

• Вести крупные изменения в поиске end-to-end. Вы будете отвечать за бэкенд крупных инициатив — от идеи и RFC до выката в продакшен и анализа результата.

Зарплата не указана

Создавать систему эффективного хранения больших данных и доступа к ним для ML-разработчиков. • Майнинг данных.

Зарплата не указана

Собирать и формализовать требования от бизнеса, Product Owner и стейкхолдеров: интервью, воркшопы, рабочие сессии с пользователями; Описывать бизнес-процессы as-is / to-be (BPMN, UML), находить неявные требования и граничные сценарии;

Зарплата не указана

Ищем ML-разработчика, который будет улучшать качество претрейна Alice AI LLM — направление, отвечающее за умность базовой модели и качество данных. Задачи: — Эксперименты с претрейн-моделями: ставить и анализировать вычислительно тяжёлые эксперименты с претрейн-стадией, проверять гипотезы об источниках прироста ризонинг-способностей, постановка и выбор сетапа эксперимента. — Пайплайны данных: строить эффективные пайплайны сбора, синтеза, обработки и фильтрации обучающих данных в новых доменах, масштабировать и оптимизировать их. — Изменение процесса обучения: модифицировать процесс обучения модели для улучшения ризонинга, внедрять изменения в обучающий пайплайн и оценивать их влияние. — Экспертные модели: обучать модели-верификаторы для проверки качества данных и ответов, модели для генерации обучающих данных SOTA в узком домене, модели-фильтры для отсева некачественных данных. — Исследование скейлинга: исследовать законы скейлинга качества модели с точки зрения данных и вычислений, определять влияние масштабирования на рост рассуждающих способностей в разных доменах. Требования: — Глубокое понимание NLP. — Знание Python и опыт разработки на нём. Будет плюсом: — Опыт обучения претрейн-моделей в любой из модальностей (NLP, CV, звук, рекомендации). — Опыт построения эффективных CPU/GPU-пайплайнов. — Погружение в области исследования языковых моделей (RL, архитектуры или данные для LLM).

Зарплата не указана