Задачи:
— Участвовать в проектировании и реализации высокопроизводительных, масштабируемых и оптимизированных дата-решений.
— Создавать модели данных с нуля, используя сильные навыки SQL.
— Писать и оптимизировать SQL-запросы внутри приложений.
— Обеспечивать производительность, безопасность и доступность баз данных.
— Готовить документацию и технические спецификации.
— Выполнять процедуры с базами данных: обновления, резервное копирование, восстановление и миграция.
— Профилировать использование ресурсов сервера и оптимизировать конфигурации.
— Проектировать, строить и автоматизировать развертывание дата-пайплайнов и приложений.
— Интегрировать данные из локальных баз и внешних источников через REST API и инструменты сбора данных.
— Сотрудничать с бизнес-подразделениями и командами дата-сайенс по вопросам доступа, трансформации, обработки и отчетности данных.
— Поддерживать внедрение, технические вопросы и обучение, связанные с экосистемой data lake.
— Управлять AWS-ресурсами, включая кластеры EMR и ECS.
— Поддерживать обеспечение, мониторинг, конфигурацию и обслуживание AWS-инструментов.
— Оценивать и внедрять новые облачные технологии для улучшения возможностей и снижения затрат.
— Поддерживать автоматизацию с использованием Infrastructure as Code (Terraform) и CI/CD (Jenkins).
— Реализовывать управление данными, контроль доступа и снижение рисков безопасности.
Требования:
— 7-9 лет опыта проектирования и разработки облачных моделей данных, ETL-пайплайнов и инфраструктуры.
— Опыт работы с структурированными и неструктурированными данными.
— Отличное владение SQL для популярных баз данных.
— Опыт оптимизации больших и сложных SQL-запросов.
— Знание лучших практик реляционных баз данных.
— Опыт настройки движков баз данных и оркестрации кластеров.
— Умение планировать ресурсы по высоким спецификациям.
— Навыки устранения типичных проблем с базами данных.
— Опыт работы со Spark, Glue, EMR, Apache Kafka или AWS Kinesis.
— Опыт с системами контроля версий Git или Subversion.
— Опыт использования автоматизированных систем сборки и CI/CD.
— Программирование на Java, Python и Scala.
— Знание структур данных и алгоритмов.
— Знание реляционных, NoSQL, графовых, документных, key-value и временных баз данных.
— Знание масштабируемого проектирования и управления моделями данных.
— Знание деплоя ML-моделей.
— Знание AWS cloud платформ.
— Знание TDD и BDD.
— Сильный интерес к улучшению навыков разработки ПО, фреймворков и технологий.
Условия:
— Возможность работать с моделированием данных, сервисами данных и дата-сайенсом в рамках платформы Data Intelligence.
— Работа в разнообразной технической среде: AWS, ETL-пайплайны, базы данных, поисковые технологии, рекомендательные системы.
— Прямое взаимодействие с командами дата-сайенс и внутренними заинтересованными сторонами по вопросам отчетности, трансформации и возможностей платформы.
Вакансия предполагает работу на позиции Senior Data Science специалиста с полной занятостью и удалённым форматом в России. Основные задачи включают разработку сервисов для ИИ платформы, предназначенной для создания функциональных агентов и ИИ ассистентов, а также подготовку серверной части для таких агентов, включая тестирование фреймворков и работу с opensource агентами. В обязанности также входит создание сервиса управления реестром и навыками агентов, а также разработка единого сервиса для баз знаний с интеграцией крупных корпоративных источников. Кандидат должен хорошо разбираться в архитектуре и ограничениях современных языковых моделей, иметь опыт работы с embeddings, vector search, RAG, structured output и tool calling. Важны знания принципов проектирования AI-агентов, включая управление состоянием и контекстом, выбор инструментов, контроль автономности и human-in-the-loop. Требуется опыт построения evals для LLM-систем, оценки качества ответов, контроля галлюцинаций и мониторинга поведения, а также понимание рисков, связанных с prompt injection, некорректным tool calling, утечкой данных и избыточными правами доступа. Необходим опыт работы с API языковых моделей, Hugging Face и одним из orchestration-фреймворков, умение оценивать стоимость, задержки и масштабируемость LLM-решений. Желателен опыт в e-commerce, retail или других высоконагруженных продуктовых системах, а также владение инструментами Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana. Кандидат должен иметь опыт эксплуатации GPU-инфраструктуры и оптимизации inference, а также fine-tuning или адаптации LLM, включая LoRA/PEFT. Опыт проектирования agentic workflows или multi-agent систем и понимание принципов информационной безопасности, конфиденциальности и работы с персональными данными также обязательны.
Задачи:
— Проектировать и разрабатывать сквозные конвейеры данных с использованием Azure Data Factory, SQL и других сервисов Azure.
— Реализовывать сложные модели данных, меры DAX и вычисляемые столбцы для поддержки отчетности.
— Управлять и оптимизировать ETL-процессы, обеспечивая качество данных, согласованность и высокую производительность.
— Проектировать и поддерживать хранилища данных и размерные модели (например, схемы звезды/снежинки).
— Сотрудничать с аналитиками, разработчиками и заинтересованными сторонами для преобразования бизнес-требований в технические решения.
— Интегрировать данные из различных источников, включая SQL-базы данных, облачное хранилище, API и плоские файлы.
— Обеспечивать управление данными, точность и целостность в BI-экосистеме.
Требования:
— Опыт работы в роли Data Engineer не менее 5 лет.
— Продвинутые знания SQL: сложные запросы, оптимизация производительности, хранимые процедуры.
— Глубокое понимание технологий Azure: Azure SQL Database, Data Factory и др.
— Опыт разработки ETL, интеграции данных и оркестрации конвейеров.
— Знание принципов моделирования данных и архитектур хранилищ данных.
— Знание принципов управления данными, управления качеством данных и лучших практик безопасности данных.
— Расположение в часовом поясе CET (+/- 3 часа).
Желательно:
— Знакомство с Azure Synapse Analytics, Data Lake и Azure DevOps.
— Эксперт в разработке Power BI, включая Power Query, DAX и Power BI Service.
— Опыт работы с Python или другими скриптовыми языками для обработки данных.
— Опыт работы с Git или другими системами контроля версий для совместной работы и практик CI/CD.
— Наличие сертификатов Microsoft (Power BI, Azure Data Engineer или SQL Server).
Условия:
— Своевременные ежемесячные выплаты с гибкими вариантами вывода средств.
— Предсказуемые часы работы: стабильные 8-часовые рабочие дни с клиентами.
— До 24 дней гибких выходных в год без потери оплаты для полноценных позиций через Proxify.
— Долгосрочные удалённые позиции в ведущих компаниях.
— Персонально подобранные вакансии без типичных рекрутинговых барьеров.
— Единый процесс заключения контрактов для множества возможностей без дополнительных оценок.
— Постоянная оплата каждый месяц для позиций, полученных через Proxify.
Удалённоsenior
Зарплата не указана
Не хотите искать каждый день?
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
Higgsfield AI — быстрорастущая платформа для AI-генерации видео с эффектами уровня киностудий. Компания является участником Google Cloud Program и получила инвестиции в размере $50M. Размер команды составляет от 11 до 50 человек.
Вакансия Product ML Engineer связана с направлениями Data Science, персонализации и монетизации. Требуются навыки работы с Python и SQL, а также знание английского языка на уровне B2+. Компания готова помочь с релокацией.
Фаундеры компании — Александр Машрабов, бывший Head of GenAI в Snap, и Ерзат Дулат.
Задачи:
— строить ML модели на основе различных данных: табличные, графовые, NLP, GEO, последовательности событий (кликстрим, транзакции и т.д.)
— писать production код и выводить его в ПРОМ
— улучшать процесс построения моделей, разрабатывать собственные прикладные модули командного фреймворка разработки для повышения производительности DS и улучшения качества кода в промышленной среде
— выдвигать data-driven гипотезы/предложения для запуска новых механик, а также поиск инсайтов в данных.
Требования:
— глубокое знание классического ML
— понимание основных Deep Learning подходов
— продвинутое знание SQL
— отличное знание Python
— понимание и опыт АB-тестирования.
Будет плюсом:
— понимание специфики разработки ML-технологий, начиная с формулировки бизнес-проблемы, заканчивая выведением на регулярную основу в прод
— опыт решения задач ранжирования или Real Time Bidding
— опыт работы с Pyspark, Greenplum.
Условия:
— комфортный современный офис рядом с м. Кутузовская
— офисный формат работы
— ежегодный пересмотр зарплаты, квартальная и 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:
— поиск подходящих ML решений для решения бизнес-задач, проведение оффлайн и онлайн (А/Б) экспериментов
— разработка и улучшение ML-пайплайнов для задач RecSys: подготовка данных, обучение моделей, валидация и внедрение
— анализ и работа с большими объёмами данных на PySpark
— исследование и применение актуальных методик в области Data Science, Machine Learning и RecSys
— взаимодействие с командой разработки и аналитики, генерация гипотез, участие в обсуждении решений и донесение результатов своей работы до команды.
Требования:
— опыт работы в области Data Science от 1 до 3 лет
— интерес к рекомендательным системам, желание развиваться и постепенно брать на себя больше ответственности
— практические навыки решения ML-задач: от подготовки данных и выбора алгоритмов до настройки гиперпараметров и оценки качества моделей
— хорошая база в алгоритмах машинного обучения и интеллектуальном анализе данных; опыт применения классических ML- и/или DL-подходов будет преимуществом
— хорошее знание Python и основных DS-фреймворков (PyTorch, PySpark и др.), понимание принципов написания качественного кода
— способность самостоятельно разбираться в новых подходах, читать технические материалы на английском и применять их на практике
Будет плюсом:
— опыт реализации DS-проектов в области рекомендаций
— опыт работы с ranking-задачами, feature engineering, A/B-тестами или ML-экспериментами
— опыт вывода ML-решений в production или участия в развитии ML-пайплайнов.
— опыт работы с высоконагруженными системами с машинным обучением и Big Data
— участие в профильных курсах, соревнованиях или pet-projects в области ML/RecSys.
Условия:
— комфортный современный офис рядом с м. Кутузовская
— возможность выбрать удобный график – офис/гибрид
— 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:
— 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.
TBC Uzbekistan is a digital financial services ecosystem powering some of Uzbekistan's most innovative financial experiences.
Languages required: English (C1), Russian (B2).
Work format: On-site in Tashkent, Uzbekistan.
Проект:
Разработка единой системы оценки эффективности.
Задачи:
— Разработка решений вокруг DWH
— Создание ETL / настройка сбора данных, BI-аналитика
— Проработка архитектуры данных и системы для их сбора
— Внедрение нового функционала, сокращение техдолга
Требования:
— Опыт проектирования и построения пайплайнов: Python / Apache Airflow
— Интеграция источников с GraphQL, RESTful
— Хранение данных в Apache Iceberg / проектирование архитектуры хранения данных
— Проектирование архитектуры сбора данных и витрин
— Тестирование данных на всех уровнях требований к качеству данных
— Настройка метрик и алертов Prometheus / интеграция с внутренними системами оповещений
— Знание предметной области
Условия:
Удаленный формат работы
Интересный проект с архитектурными задачами
Профессиональный рост
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:
— кастомизировать модели ранжирования
— персонализировать поисковую выдачу и работать с её разнообразием
— генерировать описание товара по фотографии
— развивать поиск по продавцам и интегрировать его в основную выдачу.
Задачи:
— Подготовка данных: выгрузки из PostgreSQL и POS, очистка, пропуски, выбросы
— Прогнозные модели: поток гостей, спрос на позиции меню, потребность в закупках
— Признаки предметной области: сезонность, праздники, погода, история продаж
— Валидация: разбиение по времени, контроль утечек, бизнес-метрика рядом с технической
— Продуктовые исследования: сегменты гостей, средний чек, отток, эффективность акций
— Передача модели в прод вместе с бэкендом: контракт данных, инференс, мониторинг качества
— Код-ревью, обсуждение гипотез, планирование задач
Требования:
— Python 3.11+, аннотации типов
— pandas, NumPy: группировки, join'ы, оконные функции, даты
— scikit-learn: пайплайны, кросс-валидация, подбор гиперпараметров
— Метрики и переобучение: MAE / MAPE, бейзлайн, утечки
— SQL: join'ы, агрегаты, оконные функции
— EDA: matplotlib или seaborn
— Git, ветки, PR, код-ревью
— Плюсом: statsmodels, Prophet, CatBoost, Docker, FastAPI, Airflow, MLflow, LLM и RAG
Условия:
— Удалённо из России, свободный график
— Доступы к AI-сервисам (ChatGPT, Claude и другие)
— Обучение за счёт компании: курсы, книги, конференции, хакатоны
— Ревью каждые 6 месяцев, путь до Middle+ за 0.5–1 года
Нужны видео от первого лица в формате POV для обучения искусственного интеллекта. Общая сумма часов видео — 50 000 часов.
Подходящие видео:
Бытовые процессы:
— действия, выполняемые дома, на даче, в гараже, подсобном помещении или на улице;
— примеры: уборка, приготовление еды, сортировка вещей, организация шкафов и хранения, уход за обувью и одеждой, обслуживание бытовой техники, мытье окон, работа с домашними инструментами, мелкий ремонт, уход за территорией, другие повседневные действия руками;
— важно избегать большого количества одинаковых роликов, лучше разнообразить процессы по смыслу, предметам, условиям или способу выполнения;
— примеры разнообразия: разбирать шкаф с одеждой, посудой, инструментами; складывать полотенца разного размера; мыть окна разного размера; использовать разные средства и инструменты для уборки; применять разные последовательности действий;
— не нужно снимать одно и то же действие многократно одинаковым способом.
Коммерческие процессы:
— ручная работа на предприятиях, производствах, складах, в магазинах, мастерских, сервисах и других организациях;
— примеры: сборка изделий, упаковка продукции, сборка коробок, сортировка, комплектация заказов, обработка деталей, шлифовка, работа на производственных линиях, подготовка материалов, работа с инструментами и оборудованием, другие производственные операции;
— допускается длительная потоковая съемка с последующим разделением видео на логические части;
— важны изменения в процессе: другое положение детали, изменение материала, исправления, дополнительные операции, нестандартные ситуации;
— видео продолжительностью более 20 минут рекомендуется снимать по предварительной договоренности.
Продолжительность видео:
— для бытовых процессов рекомендуется снимать ролики от 1 до 20 минут;
— такой формат упрощает съемку, загрузку, проверку, разделение процессов, снижает ошибки и позволяет быстрее оценить соответствие материала требованиям;
— не нужно искусственно растягивать видео, если задача заканчивается раньше, главное — полезный и понятный процесс.
Задачи:
— Развивать платформу для расчёта ML-признаков в batch-, streaming- и nearline-сценариях;
— Строить и поддерживать пайплайны для исторических расчётов, backfill и обновления признаков;
— Собирать обучающие датасеты так, чтобы в них не попадали данные «из будущего».
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.