Задачи:
- Разрабатывать, обучать и оптимизировать ML/AI-модели на PyTorch или TensorFlow
- Проектировать end-to-end пайплайны обработки и подготовки данных
- Работать с синтетическими данными и автоматизацией разметки
- Интегрировать AI/ML-модели с backend и другими компонентами продукта
- Подготавливать модели к production-деплою и масштабированию
- Настраивать процессы мониторинга, версионирования и экспериментов с использованием MLOps-инструментов
- Контейнеризировать ML-процессы с помощью Docker
- Работать с облачной инфраструктурой AWS или аналогами
- Участвовать в оптимизации inference и производительности моделей
- Взаимодействовать с инженерами и другими участниками AI-команды на всех этапах разработки
- Определять техническое направление AI-проектов, принимать ключевые архитектурные решения и обеспечивать техническое руководство командой на всех этапах разработки.
Требования:
- Опыт 4+ года коммерческого опыта в Machine Learning / AI Engineering
- Практический опыт разработки и внедрения ML-моделей в production
- Английский (свободный)
- Уверенное понимание основ Machine Learning и Deep Learning
- Знание методов оптимизации моделей и ключевых ML-метрик
- Практический опыт с MLOps (MLflow/Kubeflow/AWS SageMaker или аналогичные)
Условия:
- Формат: Full-time
- Локация: Ташкент (Офис)
- Официальное трудоустройство по ТК УЗ
- Занятость: полный рабочий день
Создавать и развивать AI-ассистентов для разработки и аналитики: кодовые AI ассистенты для автоматизации разработки, помощник аналитика для ускорения экспериментов с использованием LLM. Проектировать архитектуру агентских решений и их интеграцию с платформой: определять, что остаётся доменной логикой, а что становится переиспользуемым компонентом платформы.
Разработка и внедрение ML-моделей прогнозирования спроса (временные ряды + градиентный бустинг + нейросети) на уровне SKU; Автоматизация пайплайнов ретрайна и мониторинга качества прогнозов в продакшене (MLflow, Airflow, Docker);
ОфисМосква
Зарплата не указана
Не хотите искать каждый день?
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
Задачи:
— Возглавлять команду Data Scientists, участвовать в найме, онбординге и развитии сотрудников;
— Обеспечивать операционную деятельность: дейли-митинги, спринт-планирование, ретроспективы, демо;
— Формировать и развивать бэклог задач, определять приоритетные бизнес-задачи и оценивать ценность решений;
— Выстраивать кросс-функциональное взаимодействие с Data Engineering, MLOps и бизнес-подразделениями, договариваться о приоритетах и ресурсах;
— Отвечать за полный жизненный цикл моделей: сбор данных, разметка, обучение, валидация, деплой, мониторинг;
— Руководить проектированием и внедрением решений;
— Обеспечивать разработку, валидацию и мониторинг моделей, включая стандарты, политики и документооборот;
— Проводить архитектурные ревью, задавать стандарты качества кода и документации;
— Принимать участие в написании production-кода;
— Контролировать соблюдение сроков и качества результатов;
— Переводить бизнес-проблемы в технические задачи, формулировать гипотезы, определять метрики успеха и критерии приемки;
— Презентовать результаты и влияние моделей бизнес-заказчикам, защищать метрики качества;
— Отвечать за разработку и согласование единых стандартов разработки моделей внутри подразделения.
Требования:
— Высшее техническое образование в области прикладной математики, информатики, компьютерных наук или смежных дисциплин;
— Совокупный опыт в Data Science и машинном обучении от 5 лет;
— Управленческий стаж минимум 2 года на позиции тимлида или руководителя ML-подразделения с прямым подчинением инженеров и дата-сайентистов;
— Успешная реализация комплексных проектов полного цикла с выводом в промышленную эксплуатацию;
— Опыт внедрения моделей в production и построения системы мониторинга их качества;
— Глубокое владение Python и SQL;
— Практика работы с пайплайнами оркестрации (Airflow), распределённой обработкой данных (Spark), контейнеризацией (Docker) и системами контроля версий (Git);
— Опыт работы с большими данными в среде S3/Hadoop и аналитическими СУБД ClickHouse, Greenplum;
— Уверенное знание классического ML-стека: градиентный бустинг, линейные алгоритмы, а также специализированные подходы — uplift-моделирование и антифрод-системы;
— Навыки декомпозиции сложных задач, распределения нагрузки, контроля сроков и качества delivery;
— Навыки эффективного взаимодействия с бизнес-заказчиками и смежными командами (Data Engineering, MLOps, Product);
— Владение инструментами командной работы Jira и Confluence.
Условия:
— Конкурентоспособная заработная плата, ориентированная на ожидания и квалификацию кандидатов;
— ДМС со стоматологией, корпоративное обучение;
— Офис/гибридный формат работы в Москве (Москва-Сити);
— Современные технологии и подходы к ведению проектов;
— Работа в аккредитованной IT-компании.
Задачи:
— Написание кода агента на Python, который использует внешние API;
— "Упаковка" кода в Docker-образ с минимальным размером и безопасными зависимостями;
— Написание Helm-чарта для развертывания этого образа в Kubernetes;
— Поиск способов обновления библиотеки или применение патча, пересборка образа и обновление деплоя при блокировке образа SCA-сканером из-за уязвимости в библиотеке requests;
— Чтение логов пода в ArgoCD, в случае падения агента в продакшн. Исправление кода и подготовка нового деплоя, если ошибка в промпте или API.
Требования:
— Опыт от 3-6 лет Middle / Senior;
— Бэкграунд: Python-разработчик, который увлекался AI и выучил Docker/Kubernetes, либо MLOps-инженер, который умеет хорошо программировать;
— Ключевая компетенция: автономность — уметь не только написать бота, но и перенести его в контейнер, пройти проверку безопасности и запустить в кластере без помощи системных администраторов;
— Глубокое понимание работы зависимости в Python (virtualenv, poetry, pip), так как 70% проблем с деплоем связаны с ними;
— Понимание концепции AI Agents, RAG, Tool Calling;
— Навыки работы с DevOps / MLOps инструментами: Docker, Kubernetes, Helm, ArgoCD (чтение логов/статусов), bash;
— Опыт работы с SCA-сканерами.
Условия:
— Заработная плата до 260 000 рублей на руки;
— Оформление через ИП, самозанятый;
— Гражданство РФ, локация РФ;
— Удалённая работа.
Описание проекта и команды:
— Управляющая компания.
Этапы отбора:
1. Интервью
2. Проверка информационной безопасности.
Задачи:
— Руководство и наставничество в командах Data Science
Требования:
— Опыт работы в Data Science не менее 5 лет, предпочтительно в мобильных потребительских продуктах
— Глубокие знания в области монетизации рекламы, оптимизации доходов или аналитики рекламы
— Опыт работы с системами рекомендаций, персонализации или ранжирования
— Продвинутые навыки Python и SQL
— Экспертиза в машинном обучении, предиктивном моделировании, прогнозировании и прикладной статистике
— Опыт работы с большими поведенческими наборами данных
— Опыт руководства или наставничества в командах Data Science
— Родной русский язык
Будет преимуществом:
— Знание AdMob, AppLovin, Unity Ads, ironSource
— Опыт с MLOps и облачными платформами AWS, GCP, Azure
— Знания в области LLM и генеративного ИИ
Задачи:
— разработка, обучение и оптимизация ML/AI-моделей на PyTorch и/или TensorFlow
— проектирование end-to-end ML-пайплайнов
— работа с LLM, NLP, Computer Vision и Generative AI
— подготовка моделей к production и масштабированию
— интеграция моделей с backend
— оптимизация inference и производительности
— построение MLOps-процессов
— работа с Docker и cloud-инфраструктурой
— принятие архитектурных решений и техническое руководство AI-командой
Требования:
— от 4 лет коммерческого опыта в Machine Learning / AI Engineering
— практический опыт разработки и внедрения ML-моделей в production
— уверенный Python
— PyTorch и/или TensorFlow
— понимание Machine Learning и Deep Learning
— знание ML-метрик и методов оптимизации моделей
— Docker, Git
— AWS или аналогичные cloud-платформы
— практический опыт с MLflow, Kubeflow, AWS SageMaker или аналогичными MLOps-инструментами
— свободный английский язык
Условия:
— full-time
— офис в Ташкенте
— официальное трудоустройство по ТК Узбекистана
— вилка от $3,500
Databricks, an American IT firm specializing in a unified cloud platform for big data and AI, is seeking Forward Deployed Engineers in Amsterdam and Senior Forward Deployed Engineers in Stockholm. Candidates should have experience with Python, Scala, JavaScript or TypeScript, Apache Spark, and cloud platforms such as AWS, Azure, or GCP. Familiarity with CI/CD pipelines, MLOps, machine learning and AI models, as well as AI APIs, is required. These positions are on-site roles.
Задачи:
— Руководство и наставничество в команде Data Science
Требования:
— Опыт работы в Data Science не менее 5 лет, предпочтительно в мобильных потребительских продуктах
— Глубокие знания в области монетизации рекламы, оптимизации доходов или аналитики рекламы
— Опыт работы с системами рекомендаций, персонализации или ранжирования
— Продвинутые навыки Python и SQL
— Экспертиза в машинном обучении, предиктивном моделировании, прогнозировании и прикладной статистике
— Опыт работы с большими поведенческими наборами данных
— Опыт руководства или наставничества в командах Data Science
— Родной русский язык
Будет преимуществом:
— Знание и опыт работы с AdMob, AppLovin, Unity Ads, ironSource
— Опыт с MLOps и облачными платформами AWS, GCP, Azure
— Знания в области LLMs и генеративного ИИ
Задачи:
— Выявление производственных проблем и точек роста на основе данных;
— Участие в обследовании производственных участков, выезды в цеха, изучение технологических процессов на месте;
— Формализация производственных задач в цифровые кейсы: прогнозирование, классификация, детекция отклонений, контроль качества, оптимизация режимов;
— Сбор, выгрузка, очистка и консолидация данных из производственных и корпоративных информационных систем;
— Анализ данных технологических процессов, поиск закономерностей, факторов влияния и причин отклонений;
— Разработка, обучение и валидация ML-моделей для прогнозирования, оптимизации и поддержки принятия решений;
— Разработка и внедрение CV-решений;
— Подготовка датасетов, разметка данных, организация процессов сбора и актуализации обучающих выборок;
— Проверка гипотез, проведение пилотных проектов и оценка экономического эффекта;
— Визуализация результатов анализа, подготовка отчетов и рекомендаций для производственных подразделений;
— Взаимодействие с внутренними заказчиками, подрядчиками, интеграторами и смежными командами.
Требования:
— Практический опыт разработки и внедрения решений на базе ML;
— Практический опыт разработки и внедрения решений на базе Computer Vision;
— Опыт работы с производственными данными, временными рядами, журналами событий, технологическими параметрами;
— Опыт полного цикла работы с данными: сбор, выгрузка, очистка, анализ, построение признаков, обучение моделей, внедрение;
— Опыт проведения обследований производственных процессов и интервью с внутренними заказчиками;
— Понимание специфики промышленного предприятия и готовность работать “в поле”;
— Желателен опыт работы в металлургии, горнодобывающей промышленности, тяжелой промышленности, химическом производстве или энергетике;
— Понимание технологических процессов агломерационного, коксового или доменного производства будет преимуществом;
— Уверенное владение Python и библиотеками для ML/CV;
— Знание методов регрессии, классификации, кластеризации, поиска аномалий, анализа временных рядов, оптимизации, глубокого обучения;
— Опыт построения CV-моделей;
— Опыт работы с SQL и промышленными базами данных (MES, ERP, SCADA, historians, лабораторные системы, систем АСУ ТП);
— Понимание принципов интеграции моделей в промышленный ИТ-ландшафт;
— Опыт работы с Docker, Git, MLOps-инфраструктурой;
— Применение LLM в разработке решений;
— Понимание производственных показателей: качество сырья и продукции, производительность, простои, расход топлива и энергоресурсов, стабильность технологических режимов, надежность оборудования;
— Понимание причинно-следственных связей в производственном процессе и умение переводить экспертные знания технологов в аналитические модели;
— Навык оценки экономического эффекта от цифровых инициатив: снижение потерь, снижение брака, снижение простоев, рост производительности, снижение расхода ресурсов.
Условия:
— ДМС, включая стоматологию;
— Страхование жизни и страховка для путешественников;
— Корпоративная мобильная связь;
— Система скидок для сотрудников НЛМК ИТ;
— Частичная компенсация питания в корпоративных столовых;
— Возможность обучения за счет работодателя;
— Активная корпоративная жизнь;
— Поддержка от компании в жизненно важных событиях;
— Бесплатный доступ к электронной библиотеке.
Задачи:
— участвовать в разработке и валидации моделей кредитного скоринга
— регулярно запускать и контролировать ML-пайплайны
— мониторить производительность и стабильность моделей
— проводить плановое переобучение моделей
— готовить отчёты по производительности моделей, включая Gini / KS
— поддерживать модели в продакшене
Требования:
— от 2 лет опыта в Data Science
— понимание принципов кредитного скоринга
— узбекский язык обязателен
— опыт работы в банковской сфере или финтехе
— уверенный SQL и Python, практический опыт с Apache Spark
— опыт внедрения и сопровождения ML-моделей в продакшене
— понимание MLOps и полного жизненного цикла ML-моделей
Будет большим плюсом:
— опыт работы в банках или финтех-компаниях Узбекистана
Условия:
— полная занятость
— зарплата до 4000 USD на руки
— Ташкент, работа из офиса
— долгосрочный проект
Задачи:
— Руководить командой Computer Vision Engineers
— Проектировать архитектуру production AI-систем
— Менторить инженеров и проводить code review
— Декомпозировать задачи и контролировать качество реализации
— Разрабатывать пайплайны обработки десятков и сотен RTSP-потоков
— Оптимизировать инференс на GPU и CPU
— Принимать ключевые технические решения
— Участвовать в найме и развитии AI-команды
Основной стек:
Python, PyTorch, OpenCV, YOLO, RTSP, GStreamer, NVIDIA DeepStream, TensorRT, Triton Inference Server, ONNX, OpenVINO, CUDA, FastAPI/gRPC, Docker и Kubernetes.
Что важно:
✅ Сильный коммерческий опыт в Computer Vision и Video Analytics
✅ Опыт технического лидерства или менторства
✅ Запуск production AI-систем
✅ Уверенное знание Python, PyTorch, OpenCV и YOLO
✅ Практический опыт с RTSP, GStreamer, DeepStream и TensorRT
✅ Оптимизация моделей через ONNX, TensorRT, OpenVINO, CUDA или Quantization
✅ Понимание высоконагруженной обработки видеопотоков
✅ Умение принимать и аргументировать архитектурные решения
Будет плюсом:
➕ Triton Inference Server
➕ C++ и CUDA
➕ Kafka и потоковая обработка данных
➕ MLflow и MLOps
➕ ViT, DETR, Swin и Video Transformers
➕ VLM, RAG, LangGraph, vLLM и Function Calling
➕ Опыт найма и формирования AI-команд
Предлагаем влияние на архитектуру и технологический стек, сильную инженерную команду и работу над высоконагруженной системой промышленного уровня.
Задачи:
— Проектировать платформенные паттерны от начала до конца, создавать эталонные реализации, документировать обоснования и сотрудничать с командами внедрения.
— Участвовать в еженедельных архитектурных обзорах, обеспечивая последовательность и расширяя библиотеку стандартов и архитектурных решений.
— Отвечать за архитектурное руководство в одной из областей: облачная инфраструктура или архитектура данных.
— Определять жизненный цикл технологий, проводить оценку новых технологий через POC, управлять стандартами внедрения и снятия с эксплуатации, оптимизировать затраты совместно с FinOps.
— Поддерживать команды R&D, проводить обзоры дизайна и консультации по сложным инфраструктурным решениям.
— Формировать многолетнюю стратегию платформы, включая опыт разработчиков, конвейеры доставки и инструменты архитектурного обзора с AI.
Требования:
— Широкий опыт архитектуры инфраструктуры, умение защищать архитектурные решения в продуктивных системах.
— Опыт работы с мультиоблачными средами GCP и/или AWS, глубокое понимание Kubernetes (GKE или аналог).
— Владение Infrastructure as Code, включая Terraform и GitOps, опыт проектирования и ревью модулей.
— Глубокие знания в одной или нескольких областях: облачная инфраструктура (сетевые паттерны AWS/GCP, Kubernetes, Istio, безопасность и масштабируемость) и/или архитектура данных (Kafka, Pub/Sub, SQL/NoSQL базы, аналитические колонки, pipeline).
— Способность разрабатывать прототипы, анализировать поведение систем под нагрузкой.
— Лидерские качества, навыки технической коммуникации и внедрения стандартов без формального управления.
— Опыт проведения технологических оценок и POC.
— Знания инфраструктуры для AI/ML нагрузок, включая модели, базы векторов, оценку затрат и задержек.
Преимущества:
— Глубокие знания в обеих областях: облачная и дата инфраструктура.
— Опыт с политиками GCP, организационной структурой и IAM.
— Знания Confluent Platform.
— Опыт участия в архитектурных советах.
— Опыт с AI-усиленными архитектурными инструментами.
— Опыт с MLOps инструментами (MLflow, Kubeflow, Vertex AI Pipelines, SageMaker).
Образование и опыт:
— Степень бакалавра в области компьютерных наук или эквивалентный опыт.
— 10-15+ лет опыта в облачной инфраструктуре, платформенной инженерии, DevOps или архитектуре данных.
Задачи:
— Разработка и внедрение ML моделей на клиентской базе B2C и B2B для инвестиционных, страховых и сберегательных продуктов.
— Работа с рекомендательными системами и моделями отклика для СберБанк Онлайн и СберИнвестиций.
— Создание NLP-моделей на текстовых данных.
— Использование продвинутых подходов классического ML, включая uplift-моделирование, работу с несбалансированными классами, feature engineering на больших данных, SOTA-алгоритмы.
Обязанности:
— Построение ML моделей на основе табличных данных, последовательностей событий (кликстрим, транзакции и т.д.), текстовых данных.
— Написание production-ready кода и передача его в CI/CD пайплайн команды MLOps с ответственностью за качество кода и воспроизводимость.
— Улучшение процесса построения моделей, разработка прикладных модулей командного фреймворка для повышения производительности DS и улучшения качества кода в промышленной среде.
— Выдвижение data-driven гипотез и предложений для запуска новых механик, поиск инсайтов в данных.
Требования:
— Глубокое знание классического ML и опыт применения к реальным бизнес-задачам (градиентный бустинг, NLP алгоритмы).
— Понимание основных Deep Learning подходов.
— Продвинутое знание SQL (оконные функции, оптимизация плана запроса).
— Отличное знание Python, включая библиотеки catboost, pandas, numpy, sklearn, torch.
— Опыт работы с Hadoop, PySpark (оптимизация запросов, работа на общем кластере).
Условия:
— Комфортный современный офис рядом с м. Кутузовская.
— 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.
— Ипотека для сотрудников выгоднее до 4%.
— Бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров.
— Вознаграждение за рекомендацию друзей в команду Сбера.
Задачи:
— Управление командами Data Analysts и Data Scientists, распределение задач, развитие экспертизы и формирование рабочих процессов.
— Формирование и развитие data-driven стратегии направления Soft Collection.
— Анализ поведения клиентов и эффективности стратегий коммуникации с клиентами.
— Разработка и внедрение ML-моделей для прогнозирования вероятности платежа, сегментации клиентов, определения оптимального канала и времени коммуникации, приоритизации клиентов и оценки эффективности стратегий collection.
— Разработка стратегий Decisioning / treatment для определения кому, когда и каким способом осуществлять коммуникацию.
— Проведение A/B-тестов и uplift-исследований, оценка причинно-следственного воздействия стратегий взыскания.
— Развитие системы KPI и метрик направления: cure rate, roll rate, recovery rate, collection rate, cost-to-collect, ROI и других бизнес-метрик.
— Создание аналитических витрин, дашбордов и систем мониторинга эффективности стратегий и моделей.
— Взаимодействие с бизнесом, Collection, Risk, IT, Data Engineering и другими подразделениями.
— Преобразование бизнес-задач в аналитические и ML-задачи, обеспечение внедрения в production.
— Ответственность за качество моделей, мониторинг производительности и регулярный пересмотр стратегий.
— Развитие культуры experimentation и принятия решений на основе данных.
Требования:
— Уверенное владение Python: pandas, numpy, sklearn и ML-библиотеки.
— Продвинутый уровень SQL.
— Хорошее понимание статистики, ML и методов оценки моделей.
— Опыт в A/B-тестах, propensity-моделях, классификации, сегментации и прогнозировании.
— Знание банковских/финансовых метрик и кредитных процессов — большой плюс.
— Опыт работы с большими данными и распределёнными вычислениями — преимущество.
— Опыт разработки аналитических решений и ML-моделей от постановки задачи до внедрения в production.
— Понимание принципов MLOps и мониторинга моделей — преимущество.
— Опыт работы с BI-инструментами и созданием управленческих дашбордов.
— Опыт управления командами аналитиков / Data Scientists или техническое лидерство.
— Умение самостоятельно формировать roadmap направления.
— Сильные коммуникативные навыки и умение говорить на языке бизнеса и финансовых результатов.
— Умение декомпозировать сложные задачи и расставлять приоритеты.
— Ориентация не только на качество аналитики или моделей, но и на бизнес-эффект.
— Способность развивать сотрудников и повышать профессиональный уровень команды.
Компания Centicore ищет опытного инженера DevOps для работы над централизованной MLOps-инфраструктурой.
Задачи:
— Конфигурировать и разворачивать инфраструктурные компоненты
— Адаптировать и разрабатывать с нуля автоматизированные пайплайны под актуальные бизнес-задачи (AutoML, LLM, computer vision и пр.)
— Создавать и поддерживать пользовательские инструменты для работы в едином ML-контуре применения и обучения
— Масштабировать разрабатываемые системы и инструменты для управления жизненным циклом моделей машинного обучения
Требования:
— Опыт DevOps от 5 лет с инструментами docker, helm, jenkins/gitlab CI, python
— Желателен опыт ML/MLOps от 1 года с airflow, jupyterhub, mlflow, seldon, cuda
— Опыт администрирования Kubernetes от 2 лет
— Опыт работы с Hadoop, Spark, Kafka, ELK
Условия:
— Удаленный формат работы в IT аккредитованной компании
— Оформление по ТК
— Оплачиваемый отпуск 28 календарных дней в год и оплачиваемые больничные
— Предоставление техники (MAC, Windows)
— ДМС со стоматологией
— Компенсация хобби/спортзала/английского языка
— Компенсация профессионального обучения
— Возможность участия во внутренних программах компании и активностях
— Онлайн и оффлайн корпоративные мероприятия
— Программа лояльности Сентибонусы
Требования:
• Агентная разработка (vibe coding)
• Опыт продуктовой разработки от 4 лет, уровень senior fullstack
• Агентные CLI-инструменты (Claude Code, Codex CLI, Cursor agent mode, Aider) как основной способ работы
• Spec-driven development: формулирование функциональных и нефункциональных требований до первого промпта; умение писать инженерные спецификации и контекстные файлы (правила, схемы, markdown)
• Модульность: слабая связанность, доменные границы, нарезка проекта на небольшие изолированные файлы
• Управление контекстным окном для предотвращения дрейфа и галлюцинаций
• Умение сбросить сессию агента и начать заново с более жёсткими ограничениями
• Разработка в несколько потоков, менеджмент репозитория под агентную работу, опыт коллаборативной AI-разработки
• Ревью и аудит AI-кода: слабые имена, дублирование, отсутствующие проверки, небезопасная работа с данными
• Тесты как способ управления агентом: юнит- и интеграционные тесты пишутся до логики фичи
• Инфраструктура и восстановление: версионирование, снапшоты БД, бэкапы, CI, процедуры восстановления данных
• Готовность писать код руками при необходимости и ответственность за результат, включая код, сгенерированный агентом
• Современный типизированный backend-язык с асинхронностью, моделью ошибок, управлением зависимостями, воспроизводимым окружением
• HTTP API и realtime-транспорт: REST, двусторонние соединения, стриминг, протокол сообщений, переподключения, валидация схем
• Автотесты: юнит- и интеграционные, изоляция внешних сервисов и зависимостей, поддержание тестовых данных
• Реляционные БД: схема, миграции, индексы, нетривиальные запросы, понимание пределов БД
• Разрешение конфликтов зависимостей, включая бинарную несовместимость библиотек
• Компонентный SPA-фреймворк и типизированный JavaScript; готовность сменить фреймворк за неделю
• Компонентные тесты в браузерном окружении
• Realtime-клиент: переподключения, стриминг, рантайм-валидация сообщений
• Медиа в браузере: доступ к устройствам ввода, работа с аудиопотоком, кодирование и передача
• Состояние на клиенте и ограничения браузера: защищённый контекст, сертификаты в dev, хранилище
• Умеренность в UI: простой интерфейс без тяжёлых фреймворков и дизайн-систем
• Классические CV-задачи: детекция, эмбеддинги, кластеризация, обработка изображений и метаданных, дедупликация
• Локальные LLM: форматы весов и квантизации, размер контекста, латентность, стоимость запроса; умение измерять
• Речевые модели: распознавание и синтез речи, баланс качества и ресурсов, ограничения по задержке и длине входа
• Мультимодальные модели: генерация описаний по изображению, оценка качества генерации
• Эмбеддинги и векторный поиск: семантический поиск, гибридные схемы, переранжирование, метрики качества
• Ресурсы и эксплуатация inference: одна модель на процесс, память ускорителя, батчинг, прогрев, поведение под нагрузкой
• Не требуется: обучение моделей с нуля, MLOps, распределённое обучение
• Пайплайны обработки как идемпотентные стадии с фиксацией состояния
• Понимание разницы между инкрементальным и полным пересчётом и цены ошибки
• Целостность данных при деплое, сведение расходящихся баз, миграции данных
• Границы сервисов: процессы, владение данными, поведение при отказах
• Контейнеризация: образы с тяжёлыми зависимостями, тома для данных и весов моделей, политики перезапуска, диагностика падений
• Linux и сеть: удалённый доступ, проброс портов, разрешение конфликтов, чтение логов
• Скриптование рутины: деплой, синхронизация данных, ротация логов
• Уверенное владение Git, включая нетривиальные операции; чтение истории
• Базовая безопасность: сервис без аутентификации локален, секреты не в репозитории, dev/prod режимы разведены
• Автоматические smoke-проверки интерфейса после изменений
• 4+ года разработки, из них 2+ года бэкенда в продакшене
• 1+ год реального фуллстека: разработка клиента и сервера
• Проект с LLM/ML как частью продукта
• Запуск моделей локально или on-premise
• 2–3+ месяца ежедневной работы через агентные инструменты
Задачи:
• Подключение и настройка USB-камеры: интеграция с ПО, захват видеопотока, детекция лиц, распознавание жестов
• Реализация стереоскопического режима 2D→3D на телевизоре без специализированной 3D-панели
• Разработка клиентских интерфейсов для телевизора и мобильного устройства по дизайн-макетам, адаптация вёрстки, интеграция с бэкендом, двустороннее realtime-взаимодействие
• Разработка технической документации, инженерных спецификаций и контекстных файлов, используемых при агентной разработке
Требования:
• Агентная разработка (vibe coding)
• Опыт продуктовой разработки от 4 лет, уровень senior fullstack
• Агентные CLI-инструменты (Claude Code, Codex CLI, Cursor agent mode, Aider) как основной способ работы — поставленные и поддерживаемые продуктовые фичи, а не прототипы; ключевым является методика, а не знание конкретного инструмента
• Spec-driven development: функциональные и нефункциональные требования формулируются до первого промпта; спецификация → план → код; умение писать инженерные спецификации и контекстные файлы (правила, схемы, markdown), удерживающие агента в рамках задачи
• Модульность как условие агентной работы: слабая связанность и доменные границы, нарезка проекта на небольшие изолированные файлы вместо монолита
• Управление контекстным окном: осознанный подбор того, что попадает в контекст, для предотвращения дрейфа и галлюцинаций на устаревшем коде
• Умение вовремя сбросить сессию: остановить зациклившегося агента, очистить рабочее дерево и начать заново с более жёсткими ограничениями
• Разработка в несколько потоков, менеджмент репозитория под агентную работу, опыт коллаборативной AI-разработки
• Ревью и аудит AI-кода: слабые имена, дублирование, отсутствующие проверки, небезопасная работа с данными
• Тесты как способ управления агентом: осмысленные юнит- и интеграционные тесты пишутся до логики фичи
• Инфраструктура и восстановление: версионирование, снапшоты БД, бэкапы, CI, готовая процедура восстановления данных
• Готовность писать код руками, когда агент упёрся, и ответственность за результат, включая код, сгенерированный агентом
• Современный типизированный backend-язык: асинхронность, модель ошибок, управление зависимостями, воспроизводимое окружение
• HTTP API и realtime-транспорт: REST и двусторонние соединения — стриминг, протокол сообщений, переподключения, валидация схем на границе
• Автотесты как норма: юнит- и интеграционные, изоляция внешних сервисов и тяжёлых зависимостей, поддержание тестовых данных
• Реляционные БД руками: схема, миграции, индексы, нетривиальные запросы, понимание пределов выбранной БД
• Разрешение конфликтов зависимостей, включая бинарную несовместимость библиотек (характерно для окружений с ML-пакетами)
• Компонентный SPA-фреймворк и типизированный JavaScript; конкретный фреймворк не принципиален, принципиальна готовность сменить его за неделю
• Компонентные тесты в браузерном окружении, а не только ручная проверка
• Realtime-клиент: переподключения, стриминг, рантайм-валидация входящих сообщений
• Медиа в браузере: доступ к устройствам ввода, работа с аудиопотоком, кодирование и передача
• Состояние на клиенте и ограничения браузера: защищённый контекст, сертификаты в dev, хранилище
• Умеренность в UI: простой интерфейс без тяжёлых фреймворков и дизайн-систем
• Классические CV-задачи: детекция, эмбеддинги и кластеризация объектов, обработка изображений и метаданных, дедупликация
• Локальные LLM: форматы весов и квантизации, размер контекста, латентность и стоимость запроса; умение измерять, а не предполагать
• Речевые модели: распознавание и синтез речи, размен качества на ресурсы, ограничения по задержке и длине входа
• Мультимодальные модели: генерация описаний по изображению, оценка качества генерации
• Эмбеддинги и векторный поиск: семантический поиск, гибридные схемы с полнотекстовым, переранжирование, метрики качества выдачи
• Ресурсы и эксплуатация inference: одна модель на процесс, память ускорителя, батчинг, прогрев, поведение под нагрузкой
• Не требуется: обучение моделей с нуля, MLOps-платформы, распределённое обучение
• Пайплайны обработки как идемпотентные стадии с фиксацией состояния: перезапускаемость, докат, инкрементальность
• Понимание разницы между инкрементальным и полным пересчётом и цены ошибки (полный пересчёт обычно уничтожает ручную разметку)
• Целостность данных при деплое, сведение расходящихся баз, миграции данных, а не только схемы
• Границы сервисов: как процессы общаются, кто владеет данными, что происходит при отказе одного из них
• Контейнеризация: образы с тяжёлыми зависимостями, тома для данных и весов моделей, политики перезапуска, диагностика падений
• Linux и сеть: удалённый доступ, проброс портов, разрешение конфликтов портов, чтение логов как основной способ разбирательства
• Скриптование рутины: деплой, синхронизация данных, ротация логов
• Уверенное владение Git, включая нетривиальные операции; чтение истории как источника проектных решений
• Базовая безопасность: сервис без аутентификации не выходит за пределы локального интерфейса, секреты не попадают в репозиторий, dev- и prod-режимы разведены явно
• Автоматические smoke-проверки интерфейса после изменений
• 4+ года разработки, из них 2+ года бэкенда в продакшене
• 1+ год реального фуллстека: разработка и клиента, и сервера к нему
• Проект, где LLM/ML были частью продукта, а не демонстрационным примером
• Запуск моделей локально или on-premise, а не только вызовы облачных API
• 2–3+ месяца ежедневной работы через агентные инструменты
Задачи:
• Подключение и настройка USB-камеры на целевом устройстве: интеграция камеры с ПО устройства и захват видеопотока; детекция лиц и определение пользователя, находящегося перед устройством; распознавание управляющих жестов
• Реализация стереоскопического режима 2D→3D: поиск и реализация способа вывода стереоскопического изображения на произвольном телевизоре, не требующем специализированной 3D-панели (приоритетный вариант — пассивное 3D)
• Разработка клиентских интерфейсов для телевизора и мобильного устройства: реализация экранов по предоставляемым Заказчиком дизайн-макетам; адаптация вёрстки под особенности вывода на телевизоре и под мобильные экраны; интеграция с существующим бэкендом Заказчика, включая двустороннее realtime-взаимодействие
• Разработка технической документации по всем перечисленным блокам работ, включая инженерные спецификации и контекстные файлы, использованные при агентной разработке
Гибрид
lead
Москва
Зарплата не указана
УдалённоmiddleМосква
Зарплата не указана
Удалённоsenior
272 000 – 300 000 ₽
Удалённоsenior
272 000 – 300 000 ₽
Все вакансии в одном месте — страница 2 · Job Hunters