Вакансии

Задачи: — Разрабатывать Python / SQL-пайплайны загрузки и обработки данных из файлов, API и информационных систем. — Проектировать таблицы хранилища: сущности, связи, правила преобразования. — Встраивать псевдоанонимизацию и проверки качества в потоки данных. — Готовить признаки и версионируемые train/validation/test-выборки. — Обеспечивать прослеживаемость и воспроизводимость ML / LLM-экспериментов. — Вместе с ML-командой развивать оценку моделей, подготовку данных для RAG и дообучения. Требования: — Уверенные Python и SQL, поддерживаемый код за пределами ноутбуков. — Практический опыт ETL / ELT: оркестрация, инкрементальная обработка, повторные запуски. — Опыт с S3, Parquet, pandas / Polars / PyArrow. — Понимание жизненного цикла ML: выборки, baseline, метрики, проверка утечек. — Опыт с MLflow, ClearML или аналогами. — Linux, Git, Docker, CI/CD. — Умение работать с чувствительными данными. Будет плюсом: — Опыт с медицинскими данными, МИС и клиническими справочниками. — Практический NLP / LLM: извлечение данных из текста, embeddings, RAG. — PyTorch / Hugging Face, дообучение и inference на GPU. — Опыт превращения исследовательского прототипа в регулярный пайплайн. Условия: — Гибридный / удаленный по РФ формат работы. Дополнительно: — Проект в HealthTech, поддержка врачебных решений. — Возможность строить платформу с нуля и влиять на архитектуру. — Работа на стыке Data Engineering, MLOps и LLM с современным стеком.

Задачи: — Разрабатывать и улучшать RAG-приложения: chunking, embeddings, retrieval и reranking. — Создавать LLM-воркфлоу и агентов с использованием LangChain, LangGraph, LlamaIndex, CrewAI или аналогичных. — Разрабатывать переписывание запросов, классификацию намерений, маршрутизацию и структурированное извлечение. — Интегрировать LLM API/модели в производственные системы. — Работать с OpenAI, Gemini, Hugging Face и PyTorch. — Вносить вклад в SFT, LoRA, QLoRA, PEFT и оценку LLM. — Работать с OCR, PDF/DOCX, STT и памятью для диалогов. — Создавать API с Python/FastAPI и работать с Docker, Git, тестированием и CI/CD. — Мониторить и улучшать качество моделей, задержки и стоимость. — Брать ответственность за отдельные функции/компоненты под наставничеством старшего инженера. Требования: — 2–4 года опыта в NLP, ML, информационном поиске или прикладном ИИ. — Сильные навыки Python. — Практический опыт с LLM, RAG и AI-агентами. — Понимание трансформеров, embeddings, prompting, retrieval, chunking и reranking. — Опыт работы с LangChain, LangGraph, LlamaIndex, CrewAI. — Опыт с Qdrant, Pinecone, Milvus, Weaviate, Elasticsearch. — Опыт с OpenAI, Gemini, Hugging Face и знание PyTorch. — Понимание оценки LLM и снижения галлюцинаций. — Навыки работы с FastAPI, REST, Docker, Git. — Знание многоязычного NLP будет плюсом. — Профессиональный английский. Желательно: — Знания SFT, LoRA, QLoRA, PEFT. — Знания BM25, RRF. — Опыт с RAGAS, DeepEval, LangSmith, LangFuse. — Опыт с OCR, STT. — Опыт с Graph RAG. — Опыт с vLLM, TGI, Triton. — Оптимизация под GPU. — Знание корейского языка будет плюсом. Условия: — Возможна поддержка визы и релокации в Южную Корею.

По сотрудничеству в формате ИП ищем на проект ML-инженера (проект по обезличиванию данных), проект долгосрочный. Требования: — Опыт работы от 3 лет в роли ML-инженера / Data Scientist. — Опыт разработки и внедрения ML-моделей в продакшен. — Знание Python, pandas, numpy, scikit-learn. — Опыт работы с NLP-инструментами: SpaCy, Hugging Face Transformers. — Практический опыт построения пайплайнов обработки неструктурированных данных. — Очистка, нормализация, feature engineering. — Извлечение сущностей (NER). — Понимание и опыт применения деревьев решений и ансамблей (Random Forest). — Умение интерпретировать результаты, подбирать гиперпараметры, оценивать риски переобучения. — Опыт работы с CTGAN и TVAE (библиотека SDV или аналоги): обучение, подбор гиперпараметров. — Privacy-проверки. — Контейнеризация (Docker). — Развертывание моделей через API (FastAPI/Flask). — Версионирование моделей и данных (MLflow/DVC). — Понимание CI/CD-процессов.

Responsibilities: — Development of machine learning and deep learning models — Building solutions in NLP and Deep Learning — Developing and integrating chatbots Requirements: — PhD degree is preferable — Knowledge in machine learning and deep learning — Linux operating system software — Algorithms and models of artificial intelligence — Strong programming skills — 3+ years of experience — Knowledge of Kazakh, Russian and English Optional: — Experience in training LLMs with billions of parameters, fine-tuning, and reinforcement learning

Location: Athens, Greece Are you a dynamic and driven individual with a passion for artificial intelligence (AI) and natural language processing (NLP)? We're seeking a talented Data Analytics Consultant to join our team in Athens or work remotely. You'll be part of a highly professional team working on cutting-edge technologies to deliver impactful IT software projects for major international public organizations. At our company, you'll receive comprehensive training and support to fulfill your career aspirations. What You'll Do: Mine and analyze data from various data sources, in order to drive optimization and improvement of product development, marketing techniques, and business strategies; Assess the effectiveness and accuracy of new data sources and data-gathering techniques; Identify candidate models and algorithms matching the business problem; Coordinate with different functional teams to design models and monitor implementation and outcomes; Evaluate model quality and tune candidate algorithms/models; Develop processes and tools, in order to monitor and analyze model performance and data accuracy; Participate in the full development lifecycle, through design, implementation, testing, documentation, and maintenance of system components; Collaborate passionately with colleagues in a multinational environment, adhering to highly professional standards and methods; Ensure the delivery of quality software. Requirements University degree in Computer Science, Information Technology, Data Science, or other related fields; Working or research experience, preferably in a commercial/industrial context; Experience with text analytics and natural language processing methods and tools (deep learning experience will form an asset); Development experience using statistical computer languages (Python, R, etc), including programming skills in building and deploying machine learning models; Experience with Big Data technologies, such as Spark (and PySpark); Experience with SQL and exposure to ETL development; Good understanding of AI and machine learning techniques; Good understanding of data modeling and evaluation; Strong analytical capabilities, team and quality-oriented, keen to learn and excel; Familiarity with Software Engineering principles; Excellent written and oral communication skills in English. Benefits We believe in rewarding talent and dedication. Here's what you can expect as part of our team: Competitive full-time salary; Private Health Coverage on the Company’s group program; Flexible Working Hours; Top-of-the-Line Tools; Professional Development: Benefit from language courses, specialized training, and continuous learning opportunities; Career Growth: Work with some of the most innovative and exciting specialists in the industry; Dynamic Work Environment: Thrive in a setting that offers challenging goals, autonomy, and mentoring, fostering both personal and company growth. If you want an exciting challenge, work with some of the coolest technologies, and enjoy your time doing it, then join us! Submit your detailed CV in English, quoting reference: ( DAC/11/26 ). You may also consider all our other open vacancies by visiting the career section of our website ( www.eurodyn.com ) and follow us on Twitter (@EURODYN_Careers) and LinkedIn. EUROPEAN DYNAMICS (ED) ( www.eurodyn.com ) is a leading European Software, Information, and Communication Technologies company, operating internationally (Athens, Brussels, Luxembourg, Copenhagen, Berlin, Stockholm, London, Nicosia, Valetta, Vienna, Den Haag, Hong Kong, etc.) The company employs over 1100 engineers, IT experts, and consultants (around 3% PhD, 41% MSc, and 54% BSc). We design and develop software applications using integrated, state-of-the-art technology. Our current IT projects have a value exceeding 300 million EURO. EUROPEAN DYNAMICS is a renowned supplier of IT services to European Union Institutions, international organizations, European Agencies, and national government Administrations in 40 countries and 4 continents. As part of our dedication to the diversity of our workforce, we are committed to Equal Employment Opportunity without regard for race, colour, national origin, ethnicity, gender, disability, sexual orientation, gender identity, or religion. EUROPEAN DYNAMICS (ED) adheres to the General Data Protection Regulation principles by applying its Privacy Policy as published at www.eurodyn.com/privacy . By submitting an application to this position and by sharing your personal data with ED, you acknowledge and accept its Policy and authorize ED to process your personal data for the purposes of the company's recruitment opportunities, in line with the Policy.

Задачи: — Развитие моделей поискового ранжирования и рекомендательных систем. — Тюнинг моделей и feature engineering. — Разработка новых ML-решений с нуля. — Вывод моделей в production. — Анализ A/B-тестов и результатов экспериментов. Требования: — 6+ лет опыта. — Опыт внедрения ML-моделей в production. — Знание ML и нейросетей для обработки текста. — Опыт в ranking, recommendations или NLP. — Уверенный Python: NumPy, SciPy, PyTorch, Scikit-learn. — Знание алгоритмов и структур данных. — SQL и опыт работы с большими данными. — Понимание A/B-экспериментов. Будет плюсом: — Java. — Cassandra, Hive, Presto, Kafka. — Hadoop. — LightGBM. Условия: — Полная занятость. — График 5/2, 8 часов в день. — Удалённая работа или офис. — Гибкий график. — Оформление по ТК РФ. — «Белая» зарплата. — ДМС с первого месяца. — Обучение и конференции за счёт компании. — Well-being программа. — Офисы в 10 городах России. Основные задачи проекта: — Развитие поиска и рекомендаций. — Улучшение продуктовых метрик через ML-модели. — Работа с высоконагруженным поисковым кластером. — Полный цикл ML: данные → модель → production → A/B-тест. О компании: — Крупный технический департамент. — Около 600 специалистов в IT, Data и Product. — 60+ команд. — ML-продукты используются миллионами пользователей.

Задачи: — исследование клиентского опыта в рамках процессов оздоровления и взыскания, поиск «узких» мест в процессах и использование передовых инструментов для проведения локальных исследований (графовый анализ, LLM для поиска инсайтов, самовоспроизводящиеся ИИ-решения, disrupt-проекты) — регулярные встречи с Заказчиками для определения зон роста, предоставления непредвзятого взгляда на процессы и предложения к их трансформации — создание ИИ-решений, влияющих на клиентский опыт — построение чистого эксперимента и валидация ИИ-решения — проработка технологической реализации при поддержке команд разработчиков, data и OPS-специалистов — контроль внедрения ИИ-решения и последующего поведения решения в ПРОМ-контуре, анализ результатов внедрения — создание AI-агентов на базе LLM для оптимизации рутинных процессов: оптимизация документальной и рутинной работы, речевая и текстовая аналитика взаимодействия с клиентом, выявление сущностей для автоматизации внутренних процессов, качественная суммаризация текста для составления профиля клиента — разработка и внедрение ML/AI-моделей: оценки и прогноза финансового состояния клиента, подбор индивидуальных условий для урегулирования задолженности, антифрод и выявления мошенничества, скоринг клиентов, прогнозирование дефолта по обязательствам, What-If / Uplift моделирование и каскады моделей для выстраивания процессов с использованием ИИ, графовый анализ компаний, их руководителей и бенефициаров, анализ новостного контента и других источников информации о клиентах. Требования: — опыт работы 3+ лет в традиционных направлениях машинного обучения (ML), обработки естественного языка (NLP), глубокого обучения (DL) — знание библиотек и фреймворков: pandas, pyspark, catboost, pytorch, tensorflow, langchain/langgraph — опыт валидации AI-решений и их "боевого" пилотирования решений — прикладной опыт в использовании LLM, контроле качества ответов и выстраивания графовой архитектуры с использованием LLM tools / MCP — знания математической статистики и основ A/B-тестирования Будет плюсом: — опыт руководства проектами или самостоятельного обеспечения всего цикла производства ИИ-решения от гипотезы до реализации — знание основ финансового анализа и бухгалтеского учета — опыт курирования или наставничества, работа в крупных AI-проектах с смежными командами — английский язык — уровень Intermediate и выше — опыт в проектах, связанных с клиентским опытом / бизнес-анализом / исследованием очень больших данных — опыт использования AI-инструментов в разработке (LLM-ассистенты для написания и ревью кода, агенты для автоматизации рутинных операций, инструменты автодополнения вроде GitHub Copilot) Условия: — возможен гибридный формат работы, локация офиса пр-кт Кутузовский, 32 к3 стрА — ежегодный пересмотр зарплаты, годовая премия — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — 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.

Location: Tokyo Workplace: Remote WHO ARE WE? Cohere is the leading security-first enterprise AI company. We build cutting-edge foundation AI models and end-to-end products that are designed to solve real-world business problems. We’re training and deploying frontier models for enterprises who are building AI systems. We believe that our work is instrumental to the widespread adoption of AI and we are looking for folks that want to be part of that. We obsess over what we build. Each one of us is responsible for contributing to increasing the capabilities of our models and the value they drive for our customers. Cohere is a team of researchers, engineers, designers, and more, who are all passionate about their craft. We are a global technology company headquartered in Toronto with key offices in London, New York City, San Francisco, Montreal, Paris, Berlin and Seoul. Join us! Why this role? In this role, you will have ownership of the full sales cycle - from identifying leads to closing deals for enterprises across diverse industries in Japan such as financial services, manufacturing, healthcare, energy, telecommunications and oil and gas. Cohere seeks an approachable and compelling communicator who loves working with prospects to uncover their needs and feels comfortable developing tailored value propositions around how Cohere’s platform can help them achieve their business goals. You’ll lay the foundation for Cohere’s growth by owning your territory and collaborating with teammates across Customer Success, Sales Development, Marketing and Sales Engineering. You’ll be the voice of the field and partner with our Product and Engineering teams to prioritize the Cohere roadmap with customer-centric care. In this highly self-directed role, you are someone who thrives in an unstructured and quickly evolving environment. And your opportunity for impact will be astronomical — Cohere has skies-the-limit potential, and you’ll help us reach it. As an Account Executive, you will: - Focus on net-new logo acquisition via outbound business development activity and relationship building with key stakeholders - Work closely with customers and prospects as a trusted advisor who deeply understands their challenges and goals, and will tailor solutions to drive impact for their businesses - Work in close partnership with channel partners to find opportunities to scale outreach and customer satisfaction in your region - Collaborate with Product and Engineering teams on strategic motions to deliver solutions to large enterprise customers - Collaborate with Sales Development Representatives to drive top of funnel activity - Own the full sales cycle – from initial outreach through proof-of-concept to deal close You may be a good fit if you have: - 10+ years of enterprise level B2B sales experience, negotiating and closing large enterprise deals, and a track record of high performance and overachieving your quota - Experience selling technical products, such as developer tools, API products, or AI / NLP solutions, are a plus - A track record of working with channel partners to drive sales cycles and hit shared revenue goals - High tolerance for ambiguity - as an early sales team hire, you’ll have to be a doer and a strategist - Curiosity - you want to go deep on Agentic AI and NLP and become an expert on our technology - Fantastic communication skills - you are a great listener, have a knack for understanding what matters most to others, build strong relationships, can speak to the C-suite, and feel comfortable speaking to both technical and non-technical audiences - Native-level Japanese and business-level English FULL-TIME EMPLOYEES AT COHERE ENJOY THESE PERKS: - A weekly lunch stipend of $75/£75 or equivalent in your local currency for lunch. - Full health and dental benefits, including a separate budget for mental health. - RRSP matching, 401K, Pension Scheme. - 100% Parental Leave top-up for up to 6 months, for either parent. - Annual enrichment benefits: Arts & culture, fitness/wellness, quality time, and a workspace improvement credit. Education & learning stipend for conferences, courses, and coaching. - 6 weeks of paid vacation (30 working days!) - Budget for traveling to other offices if you are remote, plus an annual company offsite. HOW AND WHERE WE WORK: - Cohere is remote-friendly, but we also have offices in Toronto, London, New York City, San Francisco, Montreal, Paris, Berlin and Seoul with more opening soon. - For those in the office: a daily lunch program, plenty of snacks, and regular community and social events. - For those not near an office: a co-working benefit so you can work alongside others in your city. - Everyone receives a $500 home office stipend to set up your workspace properly. If any of the above doesn’t line up exactly with your experience, we still encourage you to apply. We strive to create an inclusive work environment for all; we welcome applicants from all backgrounds and are committed to providing equal opportunities. Should you require any accommodations during the recruitment process, please submit an Accommodations Request Form https://docs.google.com/forms/d/12a6IrLdF3kI2nonKSr4tiFuz18rLQbaeYV-JM9L4o9Q/edit, and we will work together to meet your needs. We may use AI-enabled tools to screen and assess applicants against the criteria for this position. This helps our recruiters identify potentially qualified candidates, but it doesn't limit the applications our recruiters may review or consider. Beware of Scams: Cohere will never ask for payment or third-party services (e.g., CV writing) as part of our hiring process. All legitimate roles are listed on the Cohere careers page and LinkedIn only, with all communications from Cohere employees coming from an @cohere.com or @cw.cohere email alias. If jobs are viewed on other sites then please verify these through our official careers https://cohere.com/careers page.

Задачи: — Проектировать и разрабатывать AI-агентов; — Разрабатывать и оптимизировать промпты, учить агентов взаимодействовать с продуктами компании; — Решать задачи NLP: классификация, суммаризация, NER, семантический поиск, кластеризация и другие; — Писать поддерживаемый, читаемый код в рамках разработки AI-агентов (Python 3.12+); — Участвовать в разработке на всех этапах жизненного цикла AI/ML (от предобработки данных до деплоя и мониторинга в проде); — Выводить GenAI-приложения в прод совместно с DevOps-командой. Требования: — Опыт создания агентов на современных фреймворках (LangChain, LangGraph, LlamaIndex, Agno, Pydantic AI Harness и др.); — Знание стратегий планирования AI-агентов (ReAct, Plan-and-Execute и т.д); — Уверенная работа с LLM API (OpenAI, vLLM, Anthropic и др.); — Понимание агентских протоколов (MCP, A2A, AG-UI); — Сильный prompt engineering + chain/tool/function calling; — Опыт работы с векторными БД (Weaviate, Pinecone, Qdrant, Milvus и др.); — Опыт оценки качества LLM-систем (RAGAS, DeepEval, LLM-as-a-Judge или аналоги); — Опыт работы с Linux, Git, Docker, умение упаковать своего агента в контейнер. Условия: — Официальное оформление по ТК РФ; — Профессиональные митапы и встречи для обмена опытом; — Сообщества по интересам: спорт, игры, книги, аниме; — Гибкий график без контроля времени работы; — ДМС со стоматологией с первого месяца; — Обучение: сертификация, профильные курсы, конференции, митапы, хакатоны, CTF-ы; — Свободная атмосфера без дресс-кода и бюрократии; — Поддержка креатива и возможность профессионального роста; — Скидки на фитнес, покупки и многое другое; — Корпоративные мероприятия, спортивные старты, мерч и подарки; — Команда экспертов, выступления на конференциях, публикации; — Забота о здоровье и регулярные синки по проектам; — Прозрачные коммуникации и свобода от бюрократии; — Финансирование сертификации, обучения и участия в мероприятиях.

Location: Andorra la Vella, Andorra; Buenos Aires, Argentina; Brasilia, Brazil; Rio de Janeiro, Brazil; Barcelona, Spain; Madrid, Spain; Milano, Italy; Rome, Italy; Abu Dhabi, United Arab Emirates; London, United Kingdom; Lugano, Switzerland; Warsaw, Poland; Amsterdam, Netherlands; Lisbon, Portugal; Dublin, Ireland; Bucharest, Romania; Bangalore, India; Kuala Lumpur, Malaysia Workplace: remote Join Tether and Shape the Future of Digital Finance At Tether, we’re not just building products, we’re pioneering a global financial revolution. Our cutting-edge solutions empower businesses—from exchanges and wallets to payment processors and ATMs—to seamlessly integrate reserve-backed tokens across blockchains. By harnessing the power of blockchain technology, Tether enables you to store, send, and receive digital tokens instantly, securely, and globally, all at a fraction of the cost. Transparency is the bedrock of everything we do, ensuring trust in every transaction. Innovate with Tether Tether Finance: Our innovative product suite features the world’s most trusted stablecoin, USDT , relied upon by hundreds of millions worldwide, alongside pioneering digital asset tokenization services. But that’s just the beginning: Tether Power: Driving sustainable growth, our energy solutions optimize excess power for Bitcoin mining using eco-friendly practices in state-of-the-art, geo-diverse facilities. Tether Data: Fueling breakthroughs in AI and peer-to-peer technology, we reduce infrastructure costs and enhance global communications with cutting-edge solutions like KEET , our flagship app that redefines secure and private data sharing. Tether Education : Democratizing access to top-tier digital learning, we empower individuals to thrive in the digital and gig economies, driving global growth and opportunity. Tether Evolution : At the intersection of technology and human potential, we are pushing the boundaries of what is possible, crafting a future where innovation and human capabilities merge in powerful, unprecedented ways. Why Join Us? Our team is a global talent powerhouse, working remotely from every corner of the world. If you’re passionate about making a mark in the fintech space, this is your opportunity to collaborate with some of the brightest minds, pushing boundaries and setting new standards. We’ve grown fast, stayed lean, and secured our place as a leader in the industry. If you have excellent English communication skills and are ready to contribute to the most innovative platform on the planet, Tether is the place for you. Are you ready to be part of the future? About the job As a member of our AI model team, you will drive innovation in model serving and inference architectures for advanced AI systems. Your work will focus on optimizing model deployment and inference strategies to deliver highly responsive, efficient, and scalable performance across real-world applications. You will work on a wide spectrum of systems, ranging from resource-efficient models designed for limited hardware environments to complex, multi-modal architectures that integrate data such as text, images, and audio. We expect you to have deep expertise in designing and optimizing model serving pipelines and inference frameworks as well as a strong background in advanced model architectures. You will adopt a hands-on, research-driven approach to develop, test, and implement novel serving strategies and inference algorithms. Your responsibilities include engineering robust inference pipelines, establishing comprehensive performance metrics, and identifying and resolving bottlenecks in production environments. The ultimate goal is to enable high-throughput, low-latency, low-memory footprint, and scalable AI performance that delivers tangible value in dynamic, real-world scenarios. Responsibilities Design and deploy state-of-the-art model serving architectures that deliver high throughput and low latency while optimizing memory usage. Ensure these pipelines run efficiently across diverse environments, including resource-constrained devices and edge platforms. Establish clear performance targets such as reduced latency, improved token response, and minimized memory footprint. Build, run, and monitor controlled inference tests in both simulated and live production environments. Track key performance indicators such as response latency, throughput, memory consumption, and error rates, with special attention to metrics specific to resource-constrained devices. Document iterative results and compare outcomes against established benchmarks to validate performance across platforms. Identify and prepare high-quality test datasets and simulation scenarios tailored to real-world deployment challenges, specifically those encountered on low-resource devices. Set measurable criteria to ensure that these resources effectively evaluate model performance, latency, and memory utilization under various operational conditions. Analyze computational efficiency and diagnose bottlenecks in the serving pipeline by monitoring both processing and memory metrics. Address issues such as suboptimal batch processing, network delays, and high memory usage to optimize the serving infrastructure for scalability and reliability on resource-constrained systems. Work closely with cross-functional teams to integrate optimized serving and inference frameworks into production pipelines designed for edge and on-device applications. Define clear success metrics such as improved real-world performance, low error rates, robust scalability, optimal memory usage and ensure continuous monitoring and iterative refinements for sustained improvements. A degree in Computer Science  or related field. Ideally PhD in NLP, Machine Learning, or a related field, complemented by a solid track record in AI R&D (with good publications in A* conferences). Must have knowledge of Metal Shading Language (MSL). You should be comfortable writing custom compute shaders from scratch. Proven experience in low-level kernel optimizations and inference optimization on mobile devices is essential. Your contributions should have led to measurable improvements in inference latency, throughput, and memory footprint for domain-specific applications, particularly on resource-constrained devices and edge platforms. A deep understanding of modern model serving architectures and inference optimization techniques is required. This includes state-of-the-art methods for achieving low-latency, high-throughput performance, and efficient memory management in diverse, resource-constrained deployment scenarios. Must have strong expertise in writing GPU kernels for mobile devices (i.e., smartphones) as well as a deep understanding of model serving frameworks and engines. Practical experience in developing and deploying end-to-end inference pipelines, from optimizing models for efficient serving to integrating these solutions on resource-constrained devices is required. Demonstrated ability to apply empirical research to overcome challenges in model serving, such as latency optimization, computational bottlenecks, and memory constraints. You should be proficient in designing robust evaluation frameworks and iterating on optimization strategies to continuously push the boundaries of inference performance and system efficiency. Distributed Inference Systems: Designing and optimizing high-performance inference engines using techniques like Tensor Parallelism, Pipeline Parallelism, and Expert Parallelism to handle massive models on GPU clusters. Deep understanding of the math and structure behind Diffusion Models and Vision Transformers Understanding of Pruning, Quantization, Flash attention, KV Cache, Speculative Decoding (Eagle) etc. Important information for candidates Recruitment scams have become increasingly common. To protect yourself, please keep the following in mind when applying for roles: Apply only through our official channels. We do not use third-party platforms or agencies for recruitment unless clearly stated. All open roles are listed on our official careers page: https://tether.recruitee.com/ Verify the recruiter’s identity. All our recruiters have verified LinkedIn profiles. If you’re unsure, you can confirm their identity by checking their profile or contacting us through our website. Be cautious of unusual communication methods. We do not conduct interviews over WhatsApp, Telegram, or SMS. All communication is done through official company emails and platforms. Double-check email addresses. All communication from us will come from emails ending in @ tether.to or @ tether.io We will never request payment or financial details. If someone asks for personal financial information or payment at any point during the hiring process, it is a scam. Please report it immediately. When in doubt, feel free to reach out through our official website.

Location: Paris; Zurich; Warsaw; London ABOUT MISTRAL Mistral provides full-stack AI solutions: from frontier models to developer tools, applications, and compute. We partner with enterprises tackling the hardest problems across high-stakes industries like finance, manufacturing, defense, healthcare, and the public sector, co-creating customized AI systems that they can run on their terms. We are a dynamic, collaborative team passionate about AI and its potential to transform society. Our diverse workforce thrives in competitive environments and is committed to driving innovation. Our teams are distributed between Europe, North America, Asia and the Middle East. We are creative, low-ego and team-spirited. ABOUT THE RESEARCH ENGINEERING TEAM   The team spans Platform (shared infra & clean code) and Embedded (inside research squads). Engineers can move along the research↔production spectrum as needs or interests evolve.   As a Research Engineer – ML track, you’ll build and optimise the large-scale learning systems that power our open-weight models. Working hand-in-hand with Research Scientists, you’ll either join:   - Platform RE Team: Enhance the shared training framework, data pipelines and cluster tooling used by every team; or - Embedded RE Team: Sit inside a research squad (Alignment, Pre-training, Multimodal, Safety …) and turn fresh ideas into repeatable, scalable code.     What You Will Do   • Accelerate researchers by taking on the heavy parts of large-scale ML pipelines and building robust tools. • Interface cutting-edge research with production: integrate checkpoints, streamline evaluation, and expose APIs. • Design, implement and benchmark ML algorithms; write clear, efficient code in Python. • Deliver prototypes that become production-grade components for Vibe and our enterprise API.   What We're Looking For   • Master’s or PhD in Computer Science (or equivalent proven track record). • 4 + years working on large-scale ML codebases. • Hands-on with PyTorch, JAX or TensorFlow; comfortable with distributed training (DeepSpeed / FSDP / SLURM / K8s). • Experience in deep learning, NLP or LLMs; bonus for CUDA or data-pipeline chops. • Strong software-design instincts: testing, code review, CI/CD. • Self-starter, low-ego, collaborative.   WHAT WE OFFER We offer a comprehensive benefits package designed to support your well-being, growth, and work-life balance. Benefits vary by country and may include healthcare coverage, parental leave, retirement plans, relocation support, wellness programs, meal and transportation allowances, and other location-specific perks. For the most up-to-date details on benefits available in your location, please refer to our Benefits page https://app.notion.com/p/mistralai/Benefits-at-Mistral-36e6ba59a7fe836b93dd01737fcc27ef?source=copy_link. PRIVACY POLICY Your privacy matters to us. You can learn more about how we handle your personal data in our Applicant Privacy Policy https://legal.mistral.ai/terms/applicant-privacy-policy.

Location: Remote - India AI/ML Solution Architect Education & Assessment Platforms About Pratham International Pratham International is a US 501(c)(3) established to support learning innovations for children and youth in contexts across the globe. We enable the adaptation and spread of proven and scalable education solutions pioneered in India by Pratham Education Foundation to contexts across the global south through programming and technical assistance tailored to local realities. Today, Pratham innovations reach millions of children annually through partnerships across ~30 countries. Through the Pratham Shah PraDigi Innovation Centre (PraDigi), Pratham International also seeks to create technology innovations for low-resource communities, and support models aimed at learning for school, work, and life for children and youth. We work on several cutting-edge projects in the domain of Generative AI, Automatic Speech Recognition, and Natural Language Processing. The team’s innovative technology products include the PadhAI: Reading Assessment App, which uses advanced speech recognition to evaluate children’s reading fluency in 8 Indian languages and 6 global languages; Anytime Testing Machine (ATM), an AI-enabled question generation and grading system that allows learners to be assessed on any topic, anytime; and a suite of AI-powered chatbots designed for diverse learning contexts: from early childhood care, to youth employment readiness, and OCR-based analysis tools that digitize and assess student work at scale. At Pratham International, we build for the long term. Whether it’s ensuring products are truly accessible across rural India and the global south through languages, building datasets to ensure context and accuracy for products, or gathering feedback from the field. Backed by partners like Google.org, Anthropic, and the Gates Foundation, we are committed to building digital public goods that ensure every child is in school and learning well. Role Overview About the work We design and deliver AI systems that governments and large education programmes can actually run: curriculum-aligned item generation, paper assembly, handwriting OCR, rubric grading, and teacher-in-the-loop review. The work is already live as practice assessment in India and is being built as a national exam platform in Rwanda, with further country programmes behind it. We are hiring a Solution Architect who sits between discovery and delivery. You will turn messy workshop notes and ministry requirements into architecture a team can build, secure, cost, and operate — RAG and multi-agent systems, LLM-as-judge pipelines, and the cloud/LLMOps layer underneath. You will Own solution design from first workshop to a delivery-ready blueprint (services, data stores, trust boundaries, cost, ops). Architect LLM pipelines: generation, retrieval over curriculum knowledge graphs, standards/duplication/quality judges, constraint-based paper assembly. Design human + AI workflows with audit, segregation of duties, cycle-pinned config, and no student PII in model calls. Choose and govern models, prompts, eval gates, and fallbacks (including OCR: Azure primary, secondary fallback). Shape the Azure/AWS platform: identity, networking, LLMOps/MLOps, observability, and sovereign-hosting constraints. Run client workshops, write POVs and architecture packs, and stay accountable until the system is in production. About the work Pratham International programmes sit at the intersection of pedagogy, public systems, and production AI. The pattern is consistent across countries; the constraints change. Anytime Testing Machine (ATM) — India, practice and feedback End-to-end assessment for real classroom conditions: generate curriculum-aligned items, digitise handwritten answers (often photographed on a phone), grade against rubrics, and return feedback a teacher reviews before it reaches the learner. Built for high pupil–teacher ratios, mixed language (e.g. Hindi + English), and uneven connectivity. Pilots have already reached thousands of learners, including Second Chance (women returning for Grade 10). Model quality is measured against expert golden sets, not vendor slides. National assessment automation A government-grade exam platform. Phase 1 is item authoring and print-ready paper composition before the exam window. Phase 2 is script intake, OCR at national volume, AI-assisted grading with human confirmation on the pilot, results export, and monitoring/evaluation reporting. Subjects span core and elective streams across the curriculum. Design rules that do not exist in a typical SaaS product: cycle-pinned configuration, embargoed papers, hash-chained audit trails, and integration with national student information and assessment management systems. Curriculum knowledge graphs Structured retrieval corpora (concepts + worked examples) that ground generation and judging. This is the standing public-knowledge exception in an otherwise closed exam system, and the seed of a broader education DPI conversation. AI in TaRL and teacher support AI tools that help teachers group and teach by learning level, with an RCT-shaped evidence bar. Same product family: human agency stays in the loop; the model is a capacity multiplier. Country programmes and the three-year direction Adapt the same engine to new ministries, languages, and exam rules (Kenya and other Global South programmes are in scope). The longer bet is a learning and credentialing engine that recognises competence beyond a single syllabus. This is not a chatbot brief. It is constrained generation, retrieval, judging, document AI, workflow, and public-sector operations. Why this role exists Most enterprise AI dies between the workshop and production. We need one person who owns that gap: someone who can sit with NESA, C4IR, Pratham pedagogy, and engineering in the same week, and leave behind a blueprint the delivery team can execute without inventing policy. The target profile is a practising AI/ML Solution Architect — not a pre-sales slide owner, and not an infra-only platform engineer. The person should have done all three of these: Designed GenAI / NLP solutions, PoCs, and client workshops, and can talk to research-grade issues (eval, agent safety, prompt-injection, model-specific behaviour). Owned the AI platform: LLMOps, MLOps, DevSecOps, SRE habits, cloud migration, and FinOps. Taken messy discovery and turned it into Azure-centred RAG and multi-agent designs that a security team will accept. Key Responsibilities Discovery → architecture Lead solution workshops with programme, ministry, and engineering stakeholders. Convert half-formed requirements into service cuts, data stores, sequence diagrams, decision gates, and open-question lists with owners. Write architecture decision records. When the docs disagree (they will), force a decision instead of coding both. AI system design Design LLM jobs as contracts: inputs, JSON schema, temperature, persist prompt hash / model / tokens / latency. Architect generation grounded in structured curriculum blueprints and knowledge-graph retrieval, not "ask the model for a maths paper." Design LLM-as-judge banks (cognitive-level, relevance, difficulty, language, fairness, standards, duplication, blueprint compliance) with thresholds, one-repair rules, and golden-dataset release gates. Design hybrid assembly: constraint solver first, model only on ties and layout exceptions. Design document AI: primary OCR provider, secondary fallback provider, confidence routing, de-identification before any grading call. Specify eval: inter-rater agreement, rubric-band exact match, first-pass item acceptance, cost per paper cycle. Platform, trust, cost Own the reference architecture on the chosen cloud platform(s): identity, RBAC + segregation of duties, private networking, key management, object storage for scans, vector index, data warehouse for monitoring/evaluation reporting. Draw trust boundaries. Student PII never crosses the model gateway. Prompts are curriculum + knowledge-graph + blueprint content only. Put FinOps on the design: token budgets, OCR cost caps, degradation behaviour when a cap is hit, model routing. Specify LLMOps/MLOps: prompt/version registry, eval regression as a release gate, observability, rollback. Design for sovereign hosting and exam-cycle operations (embargo, watermarking, append-only audit, cycle-pinned configuration). Delivery and thought leadership Stay with the build through the first production cycle. Architecture that cannot be implemented is unfinished work. Produce POVs, sequence packs, and workshop artefacts that can be reused in the next country. Mentor tech leads on where the model should stop and the workflow should start. Success in the first two quarters First 30 days — Orient Complete architecture walkthroughs of every live/in-flight system with the current engineering leads; document current state (services, data stores, trust boundaries) as-is, not as-designed Meet every active stakeholder group once: engineering, programme/domain leads, and any external partner or government-side counterpart Inventory all open technical decisions and disagreements in existing specs; log each with current owner (if any) and status Identify the single highest-risk unresolved design question and flag it upward Day 60 — Diagnose Produce a current-state architecture diagram covering every major pipeline: data flow, model/LLM touchpoints, storage, and identity/access boundaries Assign an owner and target resolution date to every open contradiction identified in month 1 Draft a v1 reference architecture for one representative end-to-end workflow: service breakdown, data stores, identity/access model, model gateway placement, and a first-pass cost estimate Day 90 — Commit v1 reference architecture is reviewed and accepted by engineering and relevant stakeholders (not just self-signed) Can walk any core pipeline end-to-end from memory and name every data store, every quality/eval gate, and every trust boundary in it At least one architecture decision record is published for a previously-contested design question, with the decision forced rather than left open A first cost model exists for the reference architecture, with at least one identified lever for reducing spend if usage scales Day 120 — Harden Core pipeline components (generation, retrieval, judging/eval, or equivalent stages for this domain) have documented contracts: defined inputs/outputs, schema, and logged metadata (model, version, cost, latency) An evaluation harness exists for at least one component, with a defined pass/fail threshold A release gate exists that can block a bad prompt, model, or config change from reaching production Day 150 — Extend The next major system phase or capability is specified to the same rigor as the first: trust boundaries, failure modes, fallback behavior, and cost caps documented before build starts FinOps guardrails are in place for at least one production workload: budget ceilings, degradation behavior when a cap is hit, and a routing or fallback strategy Day 180 — Generalize A reusable design pattern or adaptation pack exists, separating what is fixed in the architecture from what varies by deployment context (e.g. language, hosting environment, external-system integration, content/domain rules) At least one engineering or technical lead has been mentored on where model-based logic should stop and deterministic/workflow logic should take over A second production-readiness review (security, cost, or operations) has been passed on a system this person designed or substantially redesigned Qualifications and Experience Must have 8+ years building software or data/AI systems, with recent experience as a Solution Architect, AI/ML Architect, or Principal/Staff Engineer with end-to-end architecture ownership. Shipped at least one production AI/ML system — RAG, multi-agent, LLM-as-judge, or a comparable classical ML/NLP pipeline at scale — that passed a real security, cost, and operations review, not just a pilot or a slide deck. Can produce a delivery-ready architecture blueprint: services, data stores, IAM, failure modes, evaluation strategy, and cost model — detailed enough that engineering isn't guessing at intent. Deep cloud experience on Azure and/or AWS: comfortable defending a landing-zone design, private-endpoint architecture, and a real monthly compute/inference/OCR spend. Fluent in Python, with hands-on experience in both classical ML (model training, evaluation, feature pipelines) and how LLM APIs, embeddings, and vector search actually behave under production load. Comfortable running a room with non-engineers — domain specialists, IT stakeholders, monitoring/evaluation teams — and translating fluently in both directions. Strong written English; this role's output is documentation that functions as a binding technical contract. Strongly preferred Azure AI (AI Foundry / OpenAI / Document Intelligence), plus one of AWS (Bedrock, SageMaker) or GCP (Vertex, BigQuery). LLMOps / MLOps: prompt + model versioning, MLflow or equivalent, eval harnesses, CI that can block a bad prompt. Document AI / OCR at volume; handwriting and low-quality scans, not only clean PDFs. RAG over structured knowledge (graphs, ToS, textbooks) and hybrid search, not only naive chunking. Education, assessment, public sector, or other high-audit domains (health, finance, identity). Certifications: Azure Data Scientist / Azure Solutions Architect; AWS SAA, ML Specialty, or Data Analytics Specialty. Experience with agent security: tool-use limits, DLP on egress, prompt-injection evaluation that is model-specific. FinOps discipline. You have killed a design because it would not survive the token bill. Nice to have Microsoft Fabric, Databricks, Semantic Kernel / Microsoft Agent Framework, MCP (Model Context Protocol) tool integration for agentic workflows. Constraint solvers or exam-blueprint / item-bank systems for automated test assembly. Multilingual generation and feedback, including code-mixed language pairs (e.g. Hindi–English, Spanish–English, or similar). Experience standing up golden/eval datasets with subject-matter experts. Prior work with government data systems, data-sharing agreements, or in-country/sovereign hosting requirements. What this role is not Not a research-only post. Publications help; shipping is the job. Not a pure platform/SRE hire. Infra is part of the design, not the whole design. Not a prompt engineer who hands off “the architecture” to someone else. Not a people manager of a large team on day one — you influence through artefacts and reviews. How we will assess you We value transparency and respect your time. Our hiring process is designed to evaluate both hands-on technical depth and architectural judgment through practical, real-world tasks. Stage 1: Application & Knockout Screening Submit your CV alongside key screening responses Artefact — send two of: architecture note, eval design, runbook, ADR. Slides without decisions do not count. Stage 2: Initial Conversation (30 mins) An introductory screen covering your background, project context and baseline alignment. An opportunity for you to ask questions about our technical roadmap, partner ecosystem, and vision. Stage 3: Practical Take-Home Written Assessment (2–3 hours) Design exercise on a constrained generation + judge + human-review pipeline (we will use a sanitised exam-authoring brief). We want trust boundaries, eval, and cost, not a model-name dump. Stage 4: Deep-Dive Technical & System Architecture Walkthrough Walkthrough of a system you shipped: what failed in review, what you changed, what it costs to run. Stage 5: Final Stakeholder & Vision Alignment Final conversation with key technical leadership and program stakeholders. Employment Details Function: Solutions / Architecture Reports to: Head of Technology / CTO Expected Start Date: Immediate Location: India (remote-first; travel to client workshops as needed) Experience: 8–13 years (strong 6–8 considered if you have shipped production GenAI) Engagement: Full-time Remuneration: Based on candidate’s experience and skillset Flexibility to work across timezones: Our team spans Latin America to Southeast Asia. Early mornings  or late evenings can be a regular part of the rhythm Why join us? Impact at Scale: Your work will directly support the learning journeys of millions of children. With programs active in 31 countries, you will help build Digital Public Goods that bridge the gap for the millions of children across the Global South who still struggle with foundational literacy Innovation at the intersection of Education and Technology: Lead the charge in redefining learning and learning processes through technology. You will contribute to the design and development of cutting-edge learning tools and AI-driven initiatives, ensuring EdTech isn’t just a buzzword, but a scalable solution for global equity. A Culture of Growth and Evidence: At Pratham, we value rigorous testing and continuous learning. You will have the autonomy to experiment with the latest SOTA models, supported by a 5-year strategic roadmap and funding from partners like the Gates Foundation and Anthropic. High-Calibre, Mission-Driven Team: You will work alongside a global team of experts from institutions like MIT, Harvard, and INSEAD. Our alumni have gone on to lead successful startups and international policy shifts, all while remaining dedicated to the goal of “Every Child in School and Learning Well.” Inclusive and Collaborative Environment: Join a diverse team that spans Asia, Africa, and Latin America. We value innovative thinking and local expertise, ensuring that the technology we build is deeply rooted in the realities of the communities we serve. Pratham International is an equal opportunity employer and encourages all qualified people from diverse backgrounds to apply for positions within our organisation, regardless of race, gender, disability or any other status.

Задачи: — Создание и развитие собственных базовых языковых моделей Авито: проверка гипотез в области претрейна, continual pre-training, post-training, RL и синтетических данных — Масштабирование обучения и оптимизация инференса (квантование, speculative decoding) — Построение процедур оценки качества моделей — Написание продакшен-кода на Python и PyTorch Требования: — 3+ года опыта разработки и эксплуатации ML-решений — Глубокое понимание Transformer и принципов обучения LLM — Практический опыт обучения и внедрения NLP-моделей — Уверенный Python и PyTorch — Понимание компромиссов между качеством, latency и стоимостью Плюсом: — Опыт с continual pre-training, SFT/LoRA/RL, DeepSpeed, vLLM, TensorRT-LLM, MLOps-инструменты

Location: Москва ИТ B2C — самая крупная экосистема в Сбере. Нас более 8000 человек в 18 городах России. Мы занимаемся разработкой и развитием розничных решений, помогая сделать сервисы Банка доступнее, безопаснее и удобнее. Ждем именно тебя!  Мы разрабатываем агентские RAG-системы, которые помогают компании улучшать клиентский опыт за счёт персонализированных решений. У нас уже есть рабочий продукт, работающий в проде и приносящий пользу. Сейчас команда активно работает над новыми применениями технологии и улучшает качество уже в рабочих направлениях. Обязанности * ML-разработка полного цикла – помочь понять что и зачем нужно бизнесу, перевести это в термины ML, проводить эксперименты, готовить решение к выводу в продакшн * разрабатывать, оптимизировать и поддерживать NLP пайплайны, включая RAG-системы и ассистентов для бизнес-задач. * создавать и развивать ИИ-агентов и мультиагентные системы (workflow-оркестрация, планирование, инструменты, memory-модули, интеграции с сервисами банка). * интегрировать агентские пайплайны в высоконагруженные сервисы банка, обеспечивая стабильность, производительность и мониторинг * разрабатывать сервисы вокруг моделей: API-слои, микросервисы, inference-скрипты, CI/CD для ML * обеспечивать качество кода и следить за инженерными практиками (тестирование, логирование, мониторинг) * проектирование и согласование архитектуры приложений и интеграций * развитие и разработка расчетных модулей системы, общих библиотек, - реализация интеграционных взаимодействий * формирование требований для построения мониторинга, логирования * проведение ревью кода, поддержка код стандарта, командные коммуникации * организация внутренних процессов в команде разработки. Требования * знание основ классического ML и NLP/LLM: классические задачи и архитектуры/подходы для их решения, метрики, процесс обучения моделей * опыт разработки и продакшен-внедрения RAG-систем, AI-ассистентов, работа с векторными хранилищами и retrieval-стеком * отличное знание Python, опыт написания промышленного, поддерживаемого и тестируемого кода, работы с параллелизмом и асинхронностью * плюсом будет знание CI/CD, владение инструментами разработки и инфраструктуры: Docker/Openshift/Kubernetes/Jenkins/Prometheus/Graphana/Kafka, PostgreSQL * опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки. Что ещё может пригодиться: * Hadoop, PySpark, Airflow * Scala, SQL * CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps. Условия * комфортный современный офис рядом с м. Кутузовская * возможность выбрать удобный график – офис/гибрид * 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.

Location: Москва Мы разрабатываем агентские RAG-системы, которые помогают компании улучшать клиентский опыт за счёт персонализированных решений. У нас уже есть рабочий продукт, работающий в проде и приносящий пользу. Сейчас команда активно работает над новыми применениями технологии и улучшает качество уже в рабочих направлениях. обязанности. Обязанности * ML-разработка полного цикла – помочь понять что и зачем нужно бизнесу, перевести это в термины ML, проводить эксперименты, готовить решение к выводу в продакшн * разрабатывать, оптимизировать и поддерживать NLP пайплайны, включая RAG-системы и ассистентов для бизнес-задач * создавать и развивать ИИ-агентов и мультиагентные системы (workflow-оркестрация, планирование, инструменты, memory-модули, интеграции с сервисами банка) * интегрировать агентские пайплайны в высоконагруженные сервисы банка, обеспечивая стабильность, производительность и мониторинг. * разрабатывать сервисы вокруг моделей: API-слои, микросервисы, inference-скрипты, CI/CD для ML * обеспечивать качество кода и следить за инженерными практиками (тестирование, логирование, мониторинг). Требования * знание основ классического ML и NLP/LLM: классические задачи и архитектуры/подходы для их решения, метрики, процесс обучения моделей * опыт разработки и продакшен-внедрения RAG-систем, AI-ассистентов, работа с векторными хранилищами и retrieval-стеком * отличное знание Python, опыт написания промышленного, поддерживаемого и тестируемого кода, работы с параллелизмом и асинхронностью. Плюсом будет: * знание CI/CD, владение инструментами разработки и инфраструктуры - Docker/Openshift/Kubernetes/Jenkins/Prometheus/Graphana/Kafka, PostgreSQL. Что ещё может пригодиться: * Hadoop, PySpark, Airflow * Scala, SQL * CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps Условия * комфортный современный офис рядом с м. Кутузовская * возможность выбрать удобный график – офис/гибрид * 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.

Команда занимается разработкой NLP-моделей и решений на основе LLM для операционных рисков. Решаем задачи по построению AI-агентов и мультиагентных систем. Примеры: система гардрейлов (в том числе на Jev-like моделях) для защиты LLM и AI-агентов Сбера от промпт-атак и джейлбрейков агентная память банка на базе темпорального графа знаний, учитывающего версии и изменения внутренней документации во времени Harness, который автономно превращает DS-код в продакшн-сервис — от сборки проекта по стандарту и интеграций до деплоя на стенды и тестирования AI-агенты для оценки рисков компаний экосистемы Сбера по внутренним документам, новостям, отчетности и описанию бизнес-процессов мультиагентная система по анализу репозиториев кода на уязвимости бизнес-логики и сверки с требованиями AI-агент DataEngineer для автономного анализа данных, поиска ошибок и аномалий, создания проверок качества данных, создания выгрузок и витрин. Задачи: — разработка PoC и MVP AI-агентов с использованием фреймворков для работы с LLM — адаптация и дообучение LLM на внутренних и внешних данных (SFT, LoRA, DPO, GRPO) — участие в выводе AI-агентов в продакшн, их интеграции и мониторинге качества — написание качественного кода и обсуждение технических решений с командой. Требования: — неоконченное высшее техническое образование с хорошей подготовкой в области математики и алгоритмов — знание Python, статистики и ML/DL-стека — опыт проектирования и обучения нейросетей: от CNN/RNN до трансформеров — опыт построения RAG-систем (классический RAG, GraphRAG, Agentic RAG) — опыт разработки автономных AI-агентов (LangChain, LangGraph, Deep Agents) — знание классических алгоритмов и структур данных, принципов ООП и паттернов проектирования — умение писать чистый и поддерживаемый код (Clean Architecture, SOLID) — опыт работы с Git. Преимуществом будет: — опыт работы с FastAPI, Docker, vLLM, Unsloth, Langfuse — успехи в соревнованиях (например, Kaggle Expert+ или призовые места на хакатонах) — вклад в open-source проекты, публикация моделей и датасетов на Hugging Face — погружённость в тренды индустрии, интерес к свежим статьям и новым инструментам — знание других языков программирования (например, C++, Java). Условия: — оплачиваемая стажировка — возможность выбрать удобный график – офис или гибрид (локация: м. Кутузовская) — корпоративный спортзал и зоны отдыха.

Команда «Мотивационный профиль» создает новый подход к работе с клиентом, который позволит перейти от классической персонализации к более глубокому пониманию человека на основе психологии. Мы извлекаем из данных психометрические характеристики — ценности, страхи, особенности характера и принятия решений — и используем их в продуктах банка и экосистемы. Для построения мотивационного профиля мы используем анкеты, подробные интервью, поведенческие и транзакционные данные. Работаем с известными психометрическими методиками и подходами, разработанными исследовательской командой. Одна из ключевых задач — научиться надежно определять психометрические характеристики на ограниченных выборках, масштабировать их на широкую клиентскую базу и использовать в рекомендательных сценариях и моделировании клиентских реакций. Задачи: — работать с таргетами, полученными из анкет и интервью с помощью экспертной и LLM-разметки — подбирать постановку задачи в зависимости от объема и качества данных: supervised learning, weak supervision, few-shot и другие подходы — сравнивать методы моделирования — от rule-based решений и классического ML до моделей на основе embeddings и LLM — обучать модели для предсказания психометрических и поведенческих характеристик клиента — масштабировать характеристики, доступные для ограниченной выборки клиентов, на широкую клиентскую базу — оценивать модели как по стандартным ML-метрикам, так и по тому, насколько хорошо их результаты работают в прикладных сценариях - сегментации, персонализации и моделировании поведения клиента — работать с неструктурированными данными, в том числе с текстами глубинных интервью — строить пайплайны обработки текста: чанкинг, построение эмбеддингов, кластеризация и извлечение признаков — сопоставлять информацию из текстов с поведенческими и транзакционными данными — проверять качество разметки и данных, анализировать смещения выборки и устойчивость полученных признаков — оценивать репрезентативность обучающей выборки и возможность переноса результатов на широкую клиентскую базу. Требования: — опыт работы Data Scientist / ML Engineer от 2–3 лет — уверенное знание Python и стандартного DS/ML-стека: pandas, numpy, scikit-learn, CatBoost / LightGBM / XGBoost — опыт построения supervised ML-моделей для табличных данных — хорошее понимание задач классификации, регрессии и ранжирования — опыт работы с текстовыми данными и NLP: embeddings, sentence-transformers, кластеризация, классификация текстов, семантический поиск — понимание основных подходов к работе с LLM: prompting, few-shot, zero-shot, LLM-разметка и оценка качества LLM-ответов — умение проектировать метрики и схемы offline-валидации для нестандартных задач — умение работать с неоднозначными таргетами, шумной разметкой и неполными данными — уверенная работа с большими данными — способность переводить бизнес-гипотезу в ML-задачу: формализовать постановку, определить требования к данным и метрикам, учесть ограничения и сформулировать критерии успешности — умение понятно объяснять результаты как ML-специалистам, так и продуктовой команде. 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: — Разработка детальных планов реализации проектов: декомпозиция задач, распределение ресурсов, определение критического пути; — Контроль соблюдения сроков, бюджета и качества результатов по всем активным проектам; — Организация и ведение операционной деятельности команды: дейли-митинги, спринт-планирования, ретроспективы, проведение демо для заказчика; — Постановка задач ML-инженерам, Data Scientists и DevOps-специалистам; — Контроль качества и сроков исполнения; — Сбор и формализация бизнес-требований, перевод бизнес-проблем в технические задачи с определением метрик эффекта и критериев приёмки; — Управление ожиданиями стейкхолдеров: регулярные статус-отчёты, презентации результатов, обоснование технических решений; — Организация процессов тестирования, валидации и мониторинга ML-моделей в продуктовой среде; — Защита метрик качества перед заказчиком; — Ведение проектной документации в соответствии с принятыми стандартами и регламентами компании. Требования: — 7+ лет общего опыта в IT-проектах, из них не менее 3 лет — в управлении проектами с применением AI/ML (LLM/NLP, NLP, CV или оптимизационное моделирование); — Подтверждённый опыт управления кросс-функциональными командами; — Опыт ведения переговоров с корпоративными заказчиками и защиты результатов проектов; — Полный цикл управления проектом: планирование, постановка задач, контроль сроков, бюджета и качества; — Умение переводить бизнес-проблемы в технические задачи: формулировка AI гипотез, определение метрик успеха, критерии приёмки; — Опыт оценки трудозатрат для комплексных AI-проектов, включая работы по разметке данных, обучению моделей и MLOps-инфраструктуре; — Управление рисками и изменениями: выявление, оценка, приоритизация, разработка планов митигации; — Инструменты управления: Jira, Confluence или аналоги для трекинга задач, ведения документации и управления бэклогом; — Понимание полного жизненного цикла ML-проекта: сбор данных, разметка, обучение, валидация, деплой, мониторинг; — Понимание принципов работы LLM, GenAI, RAG и агентных систем — на уровне, достаточном для оценки рисков и постановки задач команде; — Понимание принципов MLOps: CI/CD для моделей, версионирование данных, автоматизация пайплайнов. Будет плюсом: — Опыт внедрения AI-решений в регулируемых отраслях (нефтегаз, финансы, государственный сектор); — Понимание архитектуры данных: хранилища данных, data pipelines, feature store; — Опыт формирования и масштабирования AI-команд; — Базовые знания SQL для самостоятельной работы с данными и понимания задач команды. Условия: — График работы: 5/2 с 09:00 до 18:00 (в пятницу до 16:45); — Работа в аккредитованной Минцифры ИТ-компании; — Конкурентоспособная заработная плата (обсуждается по результатам собеседования); — Соцпакет: программа ДМС со стоматологией, корпоративная мобильная связь, санаторно-курортное лечение; — Возможность расти как вертикально, так и повышать уровень своих профессиональных и деловых компетенций; — Внутреннее обучение: конференции, тренинги, мастер-классы, корпоративный университет; — Внешнее обучение по направлению профессиональной деятельности; — Возможность присоединиться к спортивным командам по мини-футболу, баскетболу, волейболу или чирлидингу; — Корпоративная электронная библиотека; — Комфортный офис в бизнес-центре «NordStar» с удобным расположением (5 мин пешком от метро «Беговая», МЦД-1).