Вакансии

Задачи: — Поэтапный перевод системы с графа сценариев и скиллов на управляемый LLM-based диалог — Дебаг голосового пайплайна (поиск причин high latency, галлюцинаций LLM, проблем с передачей аудио, графовых ошибок) — Оперативное принятие архитектурных решений и их самостоятельная реализация в коде — Поддержка и быстрая отладка few-shot классификации сценариев на базе Qwen и классификаторов на BERT — Учёт краевых случаев, исправление ошибочных срабатываний интентов — Finetuning локальных LLM (извлечение сущностей, удерживание инструкций) — Интеграция и поддержка ASR на базе GigaAMv2 (отладка качества распознавания, работы VAD) — Дообучение и настройка инфереса собственных и опенсорсных TTS и систем клонирования голоса Требования: — Экспертиза в NLP и LLM: практический опыт с LLM/SLM (Few-shot learning, prompt engineering) и BERT (классификация сценариев и интентов) — Практический опыт finetuning LLM (PEFT, LoRA/QLoRA) под узкие прикладные задачи — Уверенный дебаг LLM: умение быстро понять, почему модель ответила не так, и исправить это промптом, гиперпараметром или файнтюном — Опыт дообучения и оптимизации TTS-моделей — Опыт работы и интеграции современных ASR-систем (в частности, GigaAMv2) — Опыт работы как с графовыми/сценарийными диалоговыми движками, так и с LLM-агентами — Высокая скорость диагностики проблем в инференсе, локализации багов и принятия инженерных решений — Уверенное владение Python (PyTorch, huggingface, фреймворки инференса) — Уверенное владение Go — Опыт работы с оптимизацией инференса под low-latency (vLLM, TensorRT-LLM, Triton Inference Server, ONNX Runtime) — Практика работы со потоковым аудио в реальном времени (streaming ASR/TTS, gRPC-контракты) — Типизация в Go, базовые типы (строки, числа, слайсы и мапы) — Примитивы синхронизации и конкуренция (синхронизация горутин, работа с каналами) — Указатели и работа с ними — Observability — Оперативность в принятии архитектурных решений — Самостоятельность в реализации решений — Высокая скорость диагностики проблем Будет плюсом: — Понимание SOLID, DRY и KISS паттерны — Базовое понимание дизайна сервисов на Go

Location: Москва Мы развиваем GigaChat и ищем сильного руководителя направления ML pretrain больших языковых моделей. Недавно мы обучили MoE-модель на 700 миллиардов параметров и не собираемся останавливаться — обучение идёт на кластерах H100 и B200, а pretrain является ядром самого быстрорастущего AI-проекта Сбера. Это роль для человека, который возьмёт на себя архитектурную часть pretrain: design моделей, законы масштабирования, выбор и адаптация attention / MoE / позиционных схем, а также все архитектурные решения, которые определяют, какой именно будет следующая флагманская модель GigaChat.Нам нужен не просто менеджер, а сильный технический руководитель, который способен глубоко погружаться в детали, самостоятельно собирать ключевые части решения и доводить архитектурные идеи до реального роста качества модели на масштабе. Обязанности * Развивать архитектуру моделей GigaChat * Определять, как должна развиваться архитектура pretrain-моделей: какие направления наиболее важны, как измерять прогресс и что в первую очередь ограничивает рост качества модели. * Проектировать архитектуру флагманских моделей и отвечать за ключевые архитектурные решения: attention, позиционные схемы (RoPE и варианты), нормализации, активации, инициализация. * Развивать MoE-архитектуру: маршрутизация, балансировка экспертов, устойчивость маршрутизатора, влияние на качество и производительность. * Работать с long-context и мультимодальностью на уровне архитектуры: что именно нужно менять в модели, чтобы эти возможности работали стабильно. * Изучать и применять законы масштабирования * Проводить scaling-эксперименты и на их основе принимать решения по размеру модели, ширине / глубине, числу и размеру экспертов, размерам батча и длительности обучения. * Предсказывать, как архитектурные изменения поведут себя при переходе с небольших абляций на полный масштаб. * Определять и развивать метрики, которые корректно отражают архитектурные изменения в обучении моделей. * Определять, в каких случаях архитектурные изменения действительно дают прирост качества по сравнению с более простыми baseline'ами, а в каких — нет. * Анализировать стабильность архитектурных решений * Разбираться с нестабильностью на больших прогонах со стороны архитектуры: почему конкретная конфигурация расходится, где проявляются артефакты маршрутизации, коллапс энтропии, неустойчивости в attention. * Предлагать изменения в нормализациях, клиппинге, точности вычислений и структуре блоков, которые делают обучение более предсказуемым. * Обеспечивать безопасное масштабирование при внедрении крупных архитектурных изменений в основной трейн. * Писать ключевой код и оставаться сильным исследователем * Самостоятельно писать и дорабатывать архитектурные компоненты и абляции. * Делать надёжные и воспроизводимые эксперименты: понятные версии данных, конфиги, сравнение запусков, контроль деградаций. * Читать статьи, воспроизводить ключевые результаты и адаптировать лучшие идеи под наши задачи и инфраструктуру. * Оставаться сильным инженером и исследователем, а не только руководителем: при необходимости самому разбирать узкие места в коде, экспериментах и настройках обучения. * Руководить сильной технической командой * Руководить командой исследователей и инженеров, работающих над архитектурой, задавать высокую планку по качеству решений, скорости работы и глубине проработки. * Помогать команде превращать архитектурные идеи в работающие решения, которые можно встроить в основной цикл обучения. * Удерживать баланс между глубиной исследований, инженерной надёжностью и практическим результатом для модели. Требования * Отличное владение Python и PyTorch. * Глубокое понимание устройства обучения нейросетей: не на уровне обзоров, а на уровне, где вы можете объяснить, почему конкретная архитектурная конфигурация расходится, глядя на кривые функции потерь, нормы градиентов и энтропии. * Глубокое понимание архитектуры LLM: Transformer, attention (MHA/GQA/MLA), RoPE и варианты позиционных эмбеддингов, нормализации, инициализации, long-context, MoE. * Практический опыт с обучением больших моделей (а не только инференсом) и проведением архитектурных абляций. * Способность самостоятельно взять направление и довести его до результата: от чтения статей и постановки гипотез до внедрения в основной трейн. * Умение ставить гипотезы, проектировать эксперименты и принимать решения на основе результатов. * Опыт руководства сильной технической командой и готовность лично писать важные части системы руками. Будет плюсом * Опыт работы с MoE-архитектурами: маршрутизатор, балансировка нагрузки, переполнение, артефакты маршрутизации. * Опыт проведения scaling-экспериментов и работы с законами масштабирования. * Опыт работы с long-context и мультимодальными расширениями LLM. * Опыт работы с distributed training (5D-параллелизм: DP/TP/PP/EP/SP) и large-scale инференсом. * Публикации, open-source вклад или сильный прикладной research track record. * Понимание современных open-source стеков для обучения больших языковых моделей. Условия * Сильные и сложные задачи на переднем крае развития русскоязычных LLM. * Большую степень влияния на архитектуру решений, методы обучения и качество итоговой модели. * Команду сильных инженеров и исследователей. * Возможность совмещать управление направлением с глубокой технической работой. * Конкурентную компенсацию, премии и расширенный соцпакет.

Location: Москва Мы развиваем GigaChat и ищем сильного руководителя направления online RL в домене STEM (математика, естественные науки, инженерные и технические дисциплины). Это роль для человека, который умеет одновременно развивать методы обучения моделей, глубоко разбираться в предметной области и выстраивать процессы сбора и подготовки данных. Нам нужен не просто менеджер, а сильный технический руководитель, который способен глубоко погружаться в детали, самостоятельно собирать ключевые части решения и доводить идеи до реального роста качества модели. Обязанности * Развивать направление online RL для STEM-задач * Определять, как должно развиваться направление online RL в STEM-домене: какие задачи для нас наиболее важны, как измерять прогресс и что в первую очередь ограничивает рост качества модели. * Вести направление целиком: от постановки гипотез и плана работ до внедрения результатов в регулярный цикл обучения модели. * Принимать решения о приоритетах между развитием методов, сбором данных, инфраструктурой и системой оценки качества. * Разрабатывать и улучшать методы обучения * Развивать подходы post-training и online RL для задач по математике, физике, химии, биологии и другим STEM-дисциплинам. * Продумывать и внедрять способы оценки качества, которые помогают модели лучше решать реальные задачи: строить цепочки рассуждений, находить верные ответы, корректно применять формулы и методы, работать с многошаговыми задачами. * Определять, в каких случаях online RL действительно даёт прирост качества по сравнению с supervised fine-tuning и другими подходами, а в каких — нет. * Проводить эксперименты и разбирать результаты не только на уровне метрик, но и на уровне причин: почему модель стала лучше или хуже, насколько устойчив результат и можно ли его перенести на другие типы задач. * Писать ключевой код и развивать инфраструктуру * Самостоятельно писать и дорабатывать критичные части пайплайнов online RL. * Делать надёжные и воспроизводимые эксперименты: с понятными версиями данных, конфигами, сравнением запусков и контролем деградаций. * Выстраивать связку между моделью, верификаторами, reward-сигналами и обучающими пайплайнами так, чтобы новые идеи можно было быстро проверять и быстро доводить до практического результата. * Оставаться сильным инженером и исследователем, а не только руководителем: при необходимости самому разбирать узкие места в коде, экспериментах и качестве данных. * Строить контур данных для обучения * Организовывать сбор и подготовку данных для online RL в STEM-домене: задачи разной сложности, эталонные решения, формальные и автоматические верификаторы, синтетические и реальные сценарии. * Формировать качественные обучающие выборки с хорошим покрытием по дисциплинам, уровням сложности (от школьных до олимпиадных и университетских задач), типам рассуждений и типовым ошибкам модели. * Встраивать в пайплайны проверки качества: символьную и численную верификацию ответов, проверку промежуточных шагов рассуждений, контроль утечек, удаление дублей, балансировку по сложности и предметным областям. * Делать так, чтобы каждый цикл обучения улучшал не только модель, но и сам процесс: появлялись новые данные, новые сложные примеры, более точные критерии качества и лучшее понимание слабых мест модели. * Руководить сильной технической командой * Руководить командой исследователей и инженеров, задавать высокую планку по качеству решений, скорости работы и глубине проработки. * Помогать команде превращать исследовательские идеи в работающие решения, которые можно встроить в основной цикл обучения. * Удерживать баланс между глубиной исследований, инженерной надёжностью и практическим результатом для модели. Требования * Отличное владение Python и PyTorch. * Практический опыт в LLM post-training: RLHF, online RL или смежных направлениях. * Понимание специфики STEM-домена: формальная верификация ответов, chain-of-thought reasoning, работа с математической нотацией, многошаговые решения, типовые ошибки моделей в рассуждениях. * Умение ставить гипотезы, проектировать эксперименты и принимать решения на основе результатов. * Опыт руководства сильной технической командой. * Готовность лично писать важные части системы руками. Будет плюсом * Сильный математический или естественнонаучный бэкграунд (профильное образование, олимпиадный опыт, публикации). * Опыт построения верификаторов и reward-моделей для задач STEM. * Опыт построения пайплайнов данных, а не только работы с уже готовыми датасетами. * Опыт работы с distributed training или large-scale inference. * Опыт разработки систем оценки качества для LLM (бенчмарки, LLM-as-a-judge, process reward models). * Опыт работы с synthetic data generation, curriculum learning, active data collection. * Понимание современных open-source стеков для обучения и инференса больших языковых моделей. * Публикации, open-source вклад или сильный прикладной research track record. Условия * Сильные и сложные задачи на переднем крае развития русскоязычных LLM. * Большую степень влияния на архитектуру решений, методы обучения и качество итоговой модели. * Команду сильных инженеров и исследователей. * Возможность совмещать управление направлением с глубокой технической работой. * Конкурентную компенсацию, премии и расширенный соцпакет.

Location: Москва Мы занимаемся pretrain'ом больших языковых моделей в GigaChat: проектируем архитектуру, подбираем рецепт обучения и поддерживаем весь инженерный контур вокруг него. Недавно мы обучили MoE-модель на 700 миллиардов параметров — и на этом не собираемся останавливаться. Обучение идёт на кластерах H100 и B200. GigaChat — самый быстрорастущий проект Сбера, и pretrain — его ядро. **Чем занимается команда** * Архитектура и законы масштабирования. * Рецепт обучения: оптимизаторы, расписание learning rate, нормализация, точность вычислений. * Устойчивость больших прогонов и ускорение сходимости. * Диагностика обучения и оценка изменений с опорой на математический аппарат. * Инженерный контур: воспроизводимость, тесты, CI/CD. * Роль с акцентом на модель, оптимизацию и инфраструктуру обучения, а не на данные. Главная цель — делать обучение быстрее, надёжнее и предсказуемее. **Какие задачи стоят перед командой** * Ускорение цикла «идея → эксперимент → вывод → внедрение». * Снижение количества ручных прогонов и неочевидных сбоев, повышение воспроизводимости и прозрачности результатов. * Повышение надёжности больших прогонов. * Ранняя диагностика деградаций и отделение реальных улучшений от ложных сигналов (расхождение, NaN, коллапс энтропии, артефакты маршрутизации, ложное снижение функции потерь). * Обеспечение безопасного масштабирования при внедрении крупных архитектурных изменений. * Анализ влияния сложных архитектур (например, mixture of experts и маршрутизация) на качество, стабильность и скорость обучения. * Определение и развитие метрик, корректно отражающих изменения в обучении моделей. **Почему мы** Масштаб - 700B MoE уже обучена, дальше — больше. Кластеры на H100 и B200. Публикации. Можно и нужно писать статьи по результатам своей работы — это не ограничивается. Команда - в России нет другой команды, которая занимается pretrain'ом на таком масштабе. Коллеги — люди, которые глубоко разбираются в теме. Влияние. Вы берёте направление целиком. Это не «выполнять задачи из бэклога», а самостоятельно определять, что важно, и доводить до результата. Обязанности * Взять на себя целое направление внутри pretrain'а и развивать его: от постановки задач и планирования экспериментов до внедрения результатов в основное обучение. * Проектировать и проводить эксперименты: формулировать гипотезы, запускать абляции, сравнивать подходы, разбираться в результатах и превращать выводы в решения для основного обучения. * Разбираться с нестабильностью на больших прогонах: искать причины деградаций, строить диагностические метрики, предлагать изменения в оптимизаторе, расписании lr, нормализациях, инициализации, клиппинге, точности вычислений и маршрутизации. * Работать с архитектурой смеси экспертов (MoE): маршрутизатор, балансировка нагрузки, переполнение, артефакты маршрутизации, влияние на качество и производительность. * * Поддерживать большие прогоны и продолжения обучения с чекпоинтов: следить за дрейфом, проверять изменения в коде и конфигурации, снижать риск регрессий. * Улучшать инженерное качество контура обучения: ревью критичных изменений, стратегия тестирования, воспроизводимость экспериментов, профилирование и устранение узких мест. Требования * Глубокое понимание устройства обучения нейросетей: не на уровне обзоров и пересказов, а на уровне, где вы можете объяснить, почему конкретный прогон расходится, глядя на кривые функции потерь, нормы градиентов и энтропии. * Способность самостоятельно взять направление и довести его до результата: от чтения статей и постановки гипотез до внедрения в основной трейн. * Практический опыт с PyTorch и именно с обучением моделей, а не только с инференсом. * Умение доводить исследовательские идеи до надёжного инженерного решения: воспроизводимость, конфиги, тесты, автоматизация, понятные критерии качества. * Хорошую инженерную культуру: аккуратные PR, профилирование, внимание к качеству кода, понятные отчёты об экспериментах. Будет плюсом * Опыт со смешанной точностью и распределённым обучением. * Опыт построения систем оценки моделей или инфраструктуры для экспериментов. Условия * Удалённо. * Возможность оформления в аккредитованную IT-компанию. * Годовая премия по итогам работы до 6 окладов. * Регулярный пересмотр зарплат. * Корпоративный спортзал и зоны отдыха. * Более 400 программ СберУниверситета для роста. * Программа адаптации и помощь руководителя на старте. * Крупнейшее DS&AI community — более 600 DS банка, регулярный обмен знаниями, опытом и лучшими практиками, интерактивные лекции и мастер-классы от ведущих ВУЗов и экспертов технологических компаний, дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира, регулярные внутренние митапы. * Расширенный ДМС, льготное страхование для семьи, корпоративная пенсионная программа. * Ипотека для сотрудников по дисконтной программе. * СберПрайм+ и скидки у партнёров. * Бонус за рекомендации в команду

Location: Москва Мы развиваем GigaChat и ищем сильного руководителя направления ML pretrain больших языковых моделей. Недавно мы обучили MoE-модель на 700 миллиардов параметров и не собираемся останавливаться — обучение идёт на кластерах H100 и B200, а pretrain является ядром самого быстрорастущего AI-проекта Сбера. Это роль для человека, который возьмёт на себя архитектурную часть pretrain: design моделей, законы масштабирования, выбор и адаптация attention / MoE / позиционных схем, а также все архитектурные решения, которые определяют, какой именно будет следующая флагманская модель GigaChat. Нам нужен не просто менеджер, а сильный технический руководитель, который способен глубоко погружаться в детали, самостоятельно собирать ключевые части решения и доводить архитектурные идеи до реального роста качества модели на масштабе. Обязанности * Развивать архитектуру моделей GigaChat * Определять, как должна развиваться архитектура pretrain-моделей: какие направления наиболее важны, как измерять прогресс и что в первую очередь ограничивает рост качества модели. * Проектировать архитектуру флагманских моделей и отвечать за ключевые архитектурные решения: attention, позиционные схемы (RoPE и варианты), нормализации, активации, инициализация. * Развивать MoE-архитектуру: маршрутизация, балансировка экспертов, устойчивость маршрутизатора, влияние на качество и производительность. * Работать с long-context и мультимодальностью на уровне архитектуры: что именно нужно менять в модели, чтобы эти возможности работали стабильно. * Изучать и применять законы масштабирования * Проводить scaling-эксперименты и на их основе принимать решения по размеру модели, ширине / глубине, числу и размеру экспертов, размерам батча и длительности обучения. * Предсказывать, как архитектурные изменения поведут себя при переходе с небольших абляций на полный масштаб. * Определять и развивать метрики, которые корректно отражают архитектурные изменения в обучении моделей. * Определять, в каких случаях архитектурные изменения действительно дают прирост качества по сравнению с более простыми baseline'ами, а в каких — нет. * Анализировать стабильность архитектурных решений * Разбираться с нестабильностью на больших прогонах со стороны архитектуры: почему конкретная конфигурация расходится, где проявляются артефакты маршрутизации, коллапс энтропии, неустойчивости в attention. * Предлагать изменения в нормализациях, клиппинге, точности вычислений и структуре блоков, которые делают обучение более предсказуемым. * Обеспечивать безопасное масштабирование при внедрении крупных архитектурных изменений в основной трейн. * Писать ключевой код и оставаться сильным исследователем * Самостоятельно писать и дорабатывать архитектурные компоненты и абляции. * Делать надёжные и воспроизводимые эксперименты: понятные версии данных, конфиги, сравнение запусков, контроль деградаций. * Читать статьи, воспроизводить ключевые результаты и адаптировать лучшие идеи под наши задачи и инфраструктуру. * Оставаться сильным инженером и исследователем, а не только руководителем: при необходимости самому разбирать узкие места в коде, экспериментах и настройках обучения. * Руководить сильной технической командой * Руководить командой исследователей и инженеров, работающих над архитектурой, задавать высокую планку по качеству решений, скорости работы и глубине проработки. * Помогать команде превращать архитектурные идеи в работающие решения, которые можно встроить в основной цикл обучения. * Удерживать баланс между глубиной исследований, инженерной надёжностью и практическим результатом для модели. Требования * Отличное владение Python и PyTorch. * Глубокое понимание устройства обучения нейросетей: не на уровне обзоров, а на уровне, где вы можете объяснить, почему конкретная архитектурная конфигурация расходится, глядя на кривые функции потерь, нормы градиентов и энтропии. * Глубокое понимание архитектуры LLM: Transformer, attention (MHA/GQA/MLA), RoPE и варианты позиционных эмбеддингов, нормализации, инициализации, long-context, MoE. * Практический опыт с обучением больших моделей (а не только инференсом) и проведением архитектурных абляций. * Способность самостоятельно взять направление и довести его до результата: от чтения статей и постановки гипотез до внедрения в основной трейн. * Умение ставить гипотезы, проектировать эксперименты и принимать решения на основе результатов. * Опыт руководства сильной технической командой и готовность лично писать важные части системы руками. Будет плюсом * Опыт работы с MoE-архитектурами: маршрутизатор, балансировка нагрузки, переполнение, артефакты маршрутизации. * Опыт проведения scaling-экспериментов и работы с законами масштабирования. * Опыт работы с long-context и мультимодальными расширениями LLM. * Опыт работы с distributed training (5D-параллелизм: DP/TP/PP/EP/SP) и large-scale инференсом. * Публикации, open-source вклад или сильный прикладной research track record. * Понимание современных open-source стеков для обучения больших языковых моделей. Условия * Сильные и сложные задачи на переднем крае развития русскоязычных LLM. * Большую степень влияния на архитектуру решений, методы обучения и качество итоговой модели. * Команду сильных инженеров и исследователей. * Возможность совмещать управление направлением с глубокой технической работой. * Конкурентную компенсацию, премии и расширенный соцпакет.

Location: Москва Мы развиваем GigaChat и ищем сильного ML-инженера в команду online RL. Это роль для человека, который умеет доводить исследовательские идеи до работающих решений: проектировать и запускать эксперименты, строить надёжные пайплайны обучения и добиваться реального роста качества модели. Нам нужен не просто исполнитель задач, а инженер с сильным исследовательским мышлением, который способен самостоятельно разбираться в сложных проблемах, предлагать новые идеи и решения и нести ответственность за результат. Обязанности * Разрабатывать и улучшать методы online RL * Реализовывать и дорабатывать подходы post-training и online RL. * Проектировать и проводить эксперименты: формулировать гипотезы, подбирать конфигурации, анализировать результаты не только на уровне метрик, но и на уровне причин. * Разбираться, почему модель стала лучше или хуже, насколько устойчив результат и можно ли его масштабировать на другие домены и типы задач. * Следить за state-of-the-art: читать статьи, воспроизводить результаты, адаптировать лучшие подходы под наши задачи и инфраструктуру. * Строить и развивать инфраструктуру обучения * Разрабатывать и поддерживать пайплайны online RL: от генерации rollout'ов и сбора reward-сигналов до обновления весов модели. * Обеспечивать воспроизводимость экспериментов: версионирование данных, конфигов, чекпоинтов, контроль деградаций. * Оптимизировать throughput и эффективность использования GPU: distributed training, параллелизм, профилирование узких мест. * Выстраивать связку между моделью, средами исполнения, верификаторами и reward-моделями так, чтобы новые идеи можно было быстро проверять. * Работать с данными и системой оценки качества * Участвовать в проектировании и реализации reward-сигналов: rule-based верификаторы, reward-модели, LLM-as-a-judge, execution-based проверки. * Строить и улучшать пайплайны подготовки данных: фильтрация, дедупликация, балансировка, контроль утечек. * Анализировать ошибки модели, выявлять систематические слабые места и формировать целевые обучающие выборки для их устранения. * Работать в сильной команде * Тесно взаимодействовать с исследователями, другими инженерами, командами данных и инфраструктуры. * Брать на себя ответственность за целые куски системы: от идеи до результата в проде. * Делиться знаниями, участвовать в код-ревью, помогать поднимать общую планку качества. Требования * Отличное владение Python и PyTorch. * Практический опыт в LLM post-training: RLHF, online RL, DPO или смежных направлениях. * Опыт проведения ML-экспериментов от начала до конца: постановка гипотезы → реализация → анализ → выводы. * Понимание distributed training: Data Parallel, FSDP, DeepSpeed или аналоги. * Умение писать чистый, надёжный, production-ready код. * Способность разбираться в сложных системах и самостоятельно находить и устранять узкие места. Будет плюсом * Опыт работы с reward-моделями, process reward models, LLM-as-a-judge. * Опыт построения сред исполнения, sandboxes и верификаторов для code- или STEM-задач. * Опыт работы с large-scale inference и оптимизацией генерации (vLLM, Sglang и т.д.). * Понимание современных open-source стеков для обучения LLM (Verl, Megatron, TRL и др.). * Публикации, open-source вклад или сильный прикладной track record. Условия * Сильные и сложные задачи на переднем крае развития русскоязычных LLM. * Прямое влияние на качество модели: результаты твоей работы видны в бенчмарках и в продукте. * Команду сильных инженеров и исследователей, у которых есть чему поучиться. * Возможность совмещать инженерную и исследовательскую работу. * Конкурентную компенсацию, премии и расширенный соцпакет.

Location: Москва Мы ищем сотрудника в команду сопровождения LLM продуктов. На данной позиции требуется поддержка самих моделей (как opensource, так и разработанных нашими командами), и api слоя. Чем предстоит заниматься? Обязанности * настраивать и сопровождать LLM модели и их окружение * участвовать в решении инцидентов, восстанавливать работоспособность и прорабатывать решения по повышению стабильности в работе стендов * настраивать CI/CD Требования * отлично знаете Linux * имеете опыт внедрения и сопровождения highload систем * понимаете принципы построения высоконагруженных и отказоустойчивых систем * опыт работы с системами контейнеризации (OpenShift / Kubernetes) * опыт работы с системами мониторинга и логирования (Zabbix, Grafana, ELK) * опыт работы с инфраструктурными компонентами (Nginx, Redis) * опыт написания скриптов на Python / Bash * опыт работы с Gitlab/Jenkins/Bitbucket 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 (для Junior позиций) * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * льготная ипотека для каждого сотрудника * бесплатная подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера. * корпоративная пенсионная программа * отсутствие строгого дресс-кода.

Location: Kuala Lumpur, Malaysia About Us Established in 2018, Bybit is one of the world’s leading cryptocurrency exchanges and digital financial platforms, serving over 80 million users across more than 200 countries and regions. Powered by world-class technology and a user-first mindset, Bybit delivers a seamless ecosystem across trading, payments, wealth management, custody, institutional services, and Web3 — connecting users to the future of digital finance. Our core values define how we build. We listen, care and improve to create products and experiences that put users first. Backed by a global team of ambitious builders, problem-solvers, and innovators, we foster a high-performance and fast-moving environment where talent is empowered to drive real impact at the global scale. Supported by 24/7 multilingual customer service and a strong commitment to innovation, we are shaping the future of finance through technology, collaboration, and bold execution. Today, Bybit is recognized as one of the most trusted and transparent platforms in the digital asset industry, continuing to expand its global presence while building the infrastructure for the next generation of financial services. Key Responsibilities Develop and optimize recommendation models for Bybit’s trading products, content, and community. Leverage large-scale behavioral data to understand user interests and improve recommendation performance and user experience. Explore cross-domain transfer learning and cold-start strategies tailored to different business scenarios, improving recommendation effectiveness and coverage across domains. Optimize multi-objective ranking models for CTR, CVR, LTV, and other outcomes. Design approaches to combine ranking objectives and balance clicks, conversions, and long-term value under scenario-specific constraints. Model cross-scenario user behavior sequences, short- and long-term interests, and changes in intent. Build reusable user representations to address domain transfer, sparse feedback, and cold-start challenges. Explore generative recommendation approaches, including semantic IDs and generative candidate generation, and integrate them with discriminative recommendation pipelines. Requirements At least four years of experience developing search, advertising, or recommendation algorithms at a consumer-facing internet company, with a deep understanding of candidate retrieval, ranking, and multi-objective modeling. Strong computer science fundamentals and proficiency in at least one of Python, Java, or C++. Strong software design and coding practices, with a passion for solving challenging technical problems. Strong analytical and logical thinking skills, with the ability to identify problems and opportunities through data. A keen interest in emerging technologies and the ability to approach complex problems with clarity and sound reasoning. Strong business judgment, communication, and collaboration skills, with the ability to translate business needs into effective technical solutions. Preferred Qualifications Experience in search, advertising, or recommendation algorithms at major technology companies such as ByteDance, Alibaba, Tencent, Meituan, Kuaishou, or Xiaohongshu. Experience with multi-objective modeling, short- and long-term user sequence modeling, personalized uplift modeling, or generative modeling. Publications at leading international conferences such as KDD, SIGIR, RecSys, ACL, or NeurIPS. An AI-driven approach, with hands-on experience bringing LLM or agent applications into production for search, advertising, or recommendation use cases. Why Join Us A multi-domain recommendation challenge in fintech: Go beyond a single domain such as video or e-commerce. Build personalization capabilities across trading products, market intelligence, community content, campaigns, and AI-powered investment workflows. Proven business impact with significant room for ML advancement: Our current recommendation system has demonstrated a 71% increase in CTR and a 1,285% increase in conversion rate, with substantial potential for an ML-native upgrade. Work at the intersection of AI and recommendations: Build where traditional recommender systems, generative AI, and LLM agents meet—one of the most active frontiers in engineering. An opportunity to lead, not just follow: Bybit’s combination of trading, content, community, AI, and campaigns creates distinctive technical challenges and opportunities for rapid iteration. Global scale: Serve more than 80 million users across over 200 countries, tackling the real-world complexity of large-scale, real-time systems. Why Join Us At Bybit, we are committed to fostering a supportive and enriching work environment. Our benefits include: - Study Growth Fund: We support your professional development and continuous learning. - Internal Events: Participate in regular team-building activities, workshops, and events designed to promote collaboration and innovation. - Global Collaboration: Be part of a diverse, international team, working alongside colleagues from around the world. - Career Advancement: Access opportunities for growth and advancement within a rapidly expanding global company. - Internal Mobility: Grow with us- Your long-term development is important to us. We offer internal job opportunities to help build your career path.

Location: San Francisco Perplexity is AI for people who expect more. This role brings that same standard to how our data team works, with AI at the center of everything we do. We're looking for someone who's been a great data scientist, analytics engineer, or data engineer: the kind of person who knows which metric actually matters, can design an A/B test that answers the real question, has gone deep on a data model because something didn't add up, and has decided that the highest-leverage thing they can do next is build AI systems that fundamentally change how data science gets done. You'll build AI agents and internal systems that can increasingly handle end-to-end analysis workflows: forming hypotheses, writing and running queries, interpreting results, and drafting recommendations with the right evaluation, review, and guardrails. You'll build the retrieval infrastructure and evaluation loops that let AI systems query the warehouse reliably. You'll create workflows that detect, diagnose, and help fix data issues before they become company-wide problems. You'll build the infrastructure that multiplies what a small data team can ship. You'll join a data team that's already using AI across its work. The next step is turning those individual workflows into scalable systems, shared tools, and an AI-native operating model that becomes a benchmark for how modern data teams work.   WHAT YOU'LL DO - Build AI agents that do data science - not just SQL copilots, but systems that can safely explore data, form hypotheses, run queries, interpret results, and generate actionable recommendations with clear evaluation and human review loops. - Make AI systems query the warehouse reliably - build the retrieval infrastructure and evaluation loops that let agents use our semantic context and metadata accurately. - Accelerate the AI-native data workflow - turn the best existing AI-assisted workflows into repeatable systems, reusable tools, and patterns the whole data team can adopt. - Automate the data lifecycle - build self-healing pipelines, automated dbt model generation and validation, data quality agents, and diagnosis workflows that reduce manual firefighting. - Ship AI-powered experiment analysis - build agents that interpret A/B test results, flag statistical issues, identify likely drivers, and draft ship/no-ship recommendations. - Turn the data team into a product team - build internal data products that stakeholders use every day, replacing ad hoc requests with self-serve AI interfaces. - Own the full lifecycle - identify high-leverage problems, prototype with LLMs, evaluate accuracy, design the UX, ship to production, and monitor quality over time. WHAT WE'RE LOOKING FOR - 6+ years in data science, analytics engineering, data engineering, or a related role. You've been close enough to real data work to know what should and should not be automated. - Deep SQL and analytics judgment - you can reason through metrics, experiments, data models, and messy warehouse reality without relying on a tool to think for you. - Strong product sense - you understand what stakeholders actually need, what makes a workflow adoptable, and how to turn a prototype into a product people use. - Hands-on LLM experience - you've built with frontier models, agents, RAG systems, evals, or AI-powered workflows and have opinions about where they work and where they fail. - Pipeline and modeling fluency - you've worked with dbt, warehouse schemas, data quality issues, and the practical tradeoffs behind durable data systems. - Builder mentality - you see a manual process and immediately think about how to systematize it. You ship fast, measure quality, and iterate. - Autonomy - this is a new function. You'll help define the roadmap as much as execute it. BONUS - Experience building production AI agents or agent evaluation systems. - Experience with Snowflake, semantic layers, or metadata systems. - Experience building internal tools, Slack bots, CLIs, or developer productivity products that people actually used. - Strong experimentation background, including metric design and statistical interpretation. - Experience with BI tools and the judgment to know what should be automated versus kept human-reviewed. - Early-stage startup experience. WHY THIS ROLE - Set the standard for the industry - Perplexity's data team is already using AI across its work. You'll turn that into something other data teams look to as the benchmark. - Build AI with AI - Perplexity builds AI for people who expect more. You'll bring that same level of ambition to how the company works with data. - Frontier models, day one - you're at an AI company with access to frontier infrastructure and people who deeply understand what's possible. - Massive leverage - the systems you build will multiply the output of every data team member and every stakeholder who needs data. - Direct impact - small team, no layers of approval. Idea to shipped system in days, not quarters.

Location: Салават Наша команда разметки данных помогает обучать искусственный интеллект. Для обучения нейросетей нужны огромные массивы данных. Эти массивы необходимо классифицировать, выделять важное, давать оценку. Мы ищем специалиста, с хорошим знанием русского языка, который будет заниматься подготовкой данных для GigaChat и других нейросетей. Обязанности ### **Что нужно делать:** * оценивать запросы пользователей и ответы модели с точки зрения безопасности * проверять ответы модели на стилистические и грамматические ошибки * проводить классификацию текстовых файлов в соответствии с установленными правилами * проверять достоверность всех фактов в ответах модели * выбирать наилучший ответ модели среди множества других. **Перед каждой серией заданий есть инструкция и обучающие примеры, которые помогут более детально понять суть задания.** Требования ### **Мы ждём, что ты:** * специалист с высшим образованием (желательно по специальностям филология, русский язык и литература, лингвистика) * внимателен, усидчив, не боишься рутины и готов к анализу большого объёма данных * эрудирован — способен разобраться в запросах абсолютно любой тематики: от поэзии до политики * готов использовать ИИ в ежедневной работе (обучение за счёт компании — есть свои курсы). **Во время выполнения тестовых заданий у тебя будет возможность примерить на себя роль специалиста по разметке и понять, насколько она будет тебе интересна.** Условия ### **С нами круто, потому что:** * у нас удалённый формат работы (для жителей г. Салават) * мы предоставим корпоративное оборудование для комфортной работы (ноутбук, гарнитура) * у нас есть ежемесячная, годовая премия и ежегодный пересмотр зарплаты * у каждого в команде расширенный ДМС и льготное страхование для семьи * мы дарим сотрудникам подписку Прайм с возможностью совместного использования на трёх близких * ты сам можешь влиять на свой доход * для каждого доступна уникальная система онлайн обучения для карьерного развития и роста * с тобой на связи всегда будут наставник и руководитель, который помогут освоить новую профессию * у нас гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ.

Location: San Jose, California, United States Who We Are At OKX, we believe that the future will be reshaped by crypto, and ultimately contribute to every individual's freedom. OKX is a leading crypto exchange, and the developer of OKX Wallet, giving millions access to crypto trading and decentralized crypto applications (dApps). OKX is also a trusted brand by hundreds of large institutions seeking access to crypto markets. We are safe and reliable, backed by our Proof of Reserves. Across our multiple offices globally, we are united by our core principles: We Before Me , Do the Right Thing , and Get Things Done . These shared values drive our culture, shape our processes, and foster a friendly, rewarding, and diverse environment for every OK-er. About the Opportunity Building machine learning systems for risk at a global crypto exchange is fundamentally different from conventional ML engineering. The data spans on-chain activity, fiat deposits and withdrawals, trading behaviour, account access patterns, device intelligence, identity information, and customer interactions—signals that very few organizations can analyze together. The problems are complex, adversarial, and constantly evolving. Models must identify emerging fraud patterns, scams, account takeovers, payment abuse, and other forms of financial risk while minimizing disruption to legitimate customers. Success is not measured only through offline model metrics. It is measured through prevented losses, improved approval rates, reduced false positives, faster investigations, and more reliable customer experience. This role sits within a multidisciplinary risk team of machine learning engineers, data scientists, risk strategy specialists, analytics engineers, product managers, and operations teams. You will work across the full ML lifecycle — from problem formulation, feature engineering, and model development to real-time deployment, monitoring, experimentation, and continuous iteration. You will also help shape how AI is used across the risk organization. LLM-assisted development, automated model workflows, AI-powered investigations, and intelligent review agents are part of the team’s daily work. We are looking for engineers who already use these tools effectively and can help establish safe, scalable, and production-ready AI practices. What You’ll Be Doing We’re looking for a Machine Learning Engineer to build models and AI tools that help detect fraud and protect users at a global crypto exchange. You’ll apply deep learning and XGBoost, develop practical AI agents, and use AI coding tools in your daily work. Build, evaluate, and deploy machine learning models for fraud and risk detection. Improve data quality, features, and model performance, balancing fraud detection with customer experience. Develop AI agents to support investigations, summarize cases, retrieve evidence, and automate routine workflows. Use AI coding tools to accelerate development, testing, and debugging while reviewing and validating their output. Work with engineering, product, and risk teams to deploy solutions and monitor their impact. What We Look For In You A strong foundation in machine learning, with hands-on experience in deep learning and tree-based models such as XGBoost or LightGBM. Strong Python skills and experience training, evaluating, and deploying models. Some practical experience building AI agents or LLM applications, including tool calling, retrieval, or workflow automation. Prototypes and personal projects are welcome. Regular use of AI coding tools, with the ability to understand, test, and improve generated code. Familiarity with databases and data pipelines for preparing training data and supporting ML workflows. Good problem-solving, communication, and collaboration skills. Nice to Haves Experience in account takeover (ATO), scam detection, or other fraud and risk use cases. Experience with LLM training, fine-tuning, evaluation, and alignment. Experience with reinforcement learning algorithms and their practical implementation. Experience with real-time ML systems, imbalanced datasets, or model explainability. Prior fraud or risk experience is helpful Perks & Benefits Competitive total compensation package L&D programs for employees' growth and development Various team building programs and company events Wellness and meal allowances Comprehensive healthcare schemes for employees and dependants More that we love to tell you along the process! OKX Statement: OKX is committed to equal employment opportunities regardless of race, color, genetic information, creed, religion, sex, sexual orientation, gender identity, lawful alien status, national origin, age, marital status, and non-job related physical or mental disability, or protected veteran status. Pursuant to the San Francisco Fair Chance Ordinance, we will consider for employment qualified applicants with arrest and conviction records. The salary range for this position is $214,666 to $321,999 The salary offered depends on a variety of factors, including job-related knowledge, skills, experience, and market location. In addition to the salary, a performance bonus and long-term incentives may be provided as part of the compensation package, as well as a full range of medical, financial, and/or other benefits, dependent on the position offered. Applicants should apply via OKX internal or external careers site. #LI-SK1 #LI-HYBRID Notice: All official OKX vacancies are published on this website. While roles may appear on selected third-party platforms from time to time, information on other sites may be inaccurate or outdated. If in doubt, please apply directly through our official careers website. Information collected and processed as part of the recruitment process of any job application you choose to submit is subject to OKX 's Candidate Privacy Notice .

SpaceXSI is looking for a Senior Model Engineer Mid Training to scale synthetic training data, optimize mid-training recipes, and develop evaluations.

SpaceXSI is looking for a Senior Model Engineer Post Training and Reinforcement Learning to improve model capabilities through post-training, reinforcement learning, data experiments, and evaluations.

SpaceXSI is looking for a Senior Model Engineer Reinforcement Learning Training Framework to develop, optimize, and scale reinforcement learning training systems.

Location: Montevideo, Uruguay; Remote.AR, Remote.LATAM-country; Remote.CO, Colombia; Rosario, Remote.LATAM-country We are looking for a hands on Middle MLE Infrastructure Engineer to strengthen a shared Data and AI platform. You will focus on execution across CI/CD standards, cloud resource management, identity and access security, observability, and reliable deployments that support other teams. The Shared Services Platform organization builds and operates the core environment for Data and AI products. You will work on a platform that standardizes CI/CD, security, observability, and cloud resource management so product squads can deliver on reliable infrastructure. Define and maintain homogeneous CI CD standards and pipelines for data and AI across teams. Manage cloud resources, capacity, and cost through provisioning, autoscaling, and optimization. Own identity and access management and centralized credential governance. Automate security policies through infrastructure as code and SecOps practices. Run vulnerability scanning and incident response playbooks. Build observability through metrics, dashboards, and proactive alerting for platform and products. Ensure reliable versioning and deployment standards across the platform. Act as a platform enabler for product squads on environment and product infrastructure. Proven experience as a Platform Engineer, DevOps Engineer, or MLOps Infrastructure Engineer. Experience with infrastructure as code using Terraform and configuration automation. Experience with Docker, Kubernetes, and autoscaling. Experience with CI CD tooling such as GitHub Actions and GitLab CI. Experience with Git workflows including GitFlow. Experience with Google Cloud Platform resource management, GCP IAM, billing, and cost control. Experience with observability tools such as Prometheus, Grafana, Datadog, or similar monitoring solutions. Experience with IAM, vulnerability scanning, data masking, and policy management. Ability to communicate effectively with technical and non technical stakeholders. Experience working in Agile environments. Fluency in Spanish. Exposure to MLOps platforms, model registry, and model serving infrastructure. Experience with FastAPI or Flask. Familiarity with BigQuery, pipelines, and lakehouse or warehouse environments. Familiarity with GenAI tooling such as LangChain and Agents.

Location: Москва Мы ищем талантливого и опытного MLOps, который сможет выстроить технически современную, удобную и прозрачную практику MLOps, оказывающую влияние на весь Сбербанк Страхование. Наша задача - развить MLOps практику в команде для вывода ML моделей в прод. Обязанности * Создание/Внедрение MLOps-практик (стенды, процессы, DevOps) для исследований в направлениях: среды разработки, тестирования, инференса и мониторинга моделей в различных режимах работы (Batch, Streaming) и использования ресурсов (CPU, GPU); * Помощь команде Исследователям в выводе моделей в прод; * Взаимодействие с Data Scientists, ML Engineers, инженерами данных и DevOps для создания эффективных ML-решений; * Обеспечение высокой доступности и отказоустойчивости ML-систем; * Внедрение систем мониторинга качества моделей в production. Требования * Знание инструментов MLOps (MLflow, Kubeflow, Airflow и др.); * Опыт работы с контейнеризацией и оркестрацией (Docker, Kubernetes); * Навыки программирования на Python, Bash; * Знание SQL; * Уверенный пользователь Linux; * Понимание CI/CD-практик; * Понимание процессов машинного обучения и Data Science; * Инструментальное владение AI для анализа, генерации и автоматизации. Условия * Гибридный формат работы (офис м.Проспект Мира); * Выгодные ипотечные льготные условия кредитования; * Подписка Прайм с возможностью совместного использования на трёх близких, скидки на продукты компаний-партнеров: Okko, Сбер Маркет, Delivery Club, Самокат, Ситимобил, Сбер Еаптека и другие; * ДМС с первого дня и льготное страхование для близких; * Корпоративная пенсионная программа; * Детский отдых и подарки за счет Компании; * Обучение за счет Компании: онлайн курсы в Виртуальной школе Сбера и неограниченный доступ к библиотеке, обучение в Корпоративном университете, тренинги, митапы и возможность получить новую квалификацию; * Скидки на отдых в лучшем в мире курортном комплексе «Mriya Resort & SPA» в Ялте.

Разрабатывать и внедрять ML-модули для задач CV и NLP: от прототипа до промышленного сервиса; • Строить пайплайны обучения и инференса, настраивать асинхронную обработку запросов;

Location: Москва Workplace: Комбинированный Мы создаём крупнейший видеосервис в России, которым ежедневно пользуются миллионы пользователей. Это огромная ответственность по удовлетворению различных сценариев и вкусов наших пользователей! Задача поиска релевантного и подходящего видеоконтента с каждым годом становится всё более актуальной. Наш фокус — стать топ-1 платформой по просмотру видео в России, и качественный поиск один из ключей к этому результату. Рост базового качества результатов выдачи по вашим запросам служит фундаментом на длительную перспективу, а оптимизация пользовательского опыта поиска позволяет найти баланс комфорта и вкусов пользователей уже сейчас. Мы ищем ML-инженера, который поможет сделать поиск максимально релевантным и полезным. Вас ждёт работа с большими данными, высоконагруженной системой, экспериментирование с различными ML-подходами, проведение A/B-тестов, анализ пользовательского поведения, а также многое другое. Задачи Улучшение существующих подходов по оптимизации релевантности и пользовательского опыта поиска по видео Участие в улучшении продукта на всех этапах — от формирования целей до технической реализации и проведения А/В-тестов Реализация эффективных пайплайнов обработки больших данных и автоматизация офлайн компонент ML-решений Анализ пользовательского поведения с последующей реализацией новых подходов к решению различных сценариев поиска Изменение устройства рантайма поиска своими руками, в том числе внедрение новых архитектурных решений Требования Опыт работы в ML от двух лет Опыт работы с большими данными (Hadoop, Spark, etc.) Готовность работать над полным циклом внедрения ML-решений: от данных до экспериментов Самостоятельность, умение брать ответственность за результат Будет плюсом Опыт работы в поисковых или рекомендательных системах Знание алгоритмов и структур данных Знание C++ и понимание принципов работы realtime-сервисов Опыт внедрения ML-систем в продакшен Опыт проведения и глубокого анализа A/B-тестов