Загружаем вакансии…
👉🏻 Вести AI-проєкти від збору вимог до запуску готового рішення. 👉🏻 Аналізувати бізнес-потреби та знаходити можливості для автоматизації.
Зарплата не указана
We are looking for a Middle / Strong Middle NLP / LLM Engineer to develop production AI solutions across RAG, LLM applications, AI assistants, document processing and multilingual NLP, working closely with senior engineers. -Develop and improve RAG applications: chunking, embeddings, retrieval and reranking.
Зарплата не указана
What You'll Do: Design A.I.
1 000 – 1 000 $
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
Зарплата не указана
• Анализировать процессы и находить задачи для автоматизации. • Создавать AI-решения для смет, коммуникации, контента и базы знаний.
100 000 – 100 000 ₽
Ищем Python-разработчика / AI Engineer уровня Middle+ / Senior на проект по автоматизации обработки и сверки финансовых документов. Проект связан с разработкой сервиса, который будет принимать акты сверки и внутренние выгрузки, извлекать из них данные, сопоставлять документы, находить расхождения и формировать понятный результат для пользователя. Задачи: — Разбирать и обрабатывать документы в форматах Excel, PDF и сканы. — Извлекать табличные данные из документов. — Нормализовать даты, номера документов, суммы и другие поля. — Проектировать и реализовывать логику сопоставления данных. — Выявлять расхождения между двумя источниками. — Обрабатывать сложные кейсы: разные периоды, отличающиеся номера, частичные совпадения и другие неоднозначные ситуации. — Интегрировать OCR и Document AI-инструменты. — При необходимости использовать LLM для интерпретации и формирования человекочитаемых объяснений. — Разрабатывать backend/API для сервиса. — Участвовать в проектировании архитектуры MVP. — Работать с реальными обезличенными финансовыми документами и тестировать качество решения на исторических данных. Требования: — Коммерческий опыт разработки на Python от 3 лет. — Уверенное владение Python. — Опыт работы с pandas и табличными данными. — Опыт обработки Excel / CSV. — Опыт парсинга PDF. — Опыт разработки backend-сервисов и REST API. — Понимание алгоритмов сопоставления, нормализации и очистки данных. — Умение проектировать решение самостоятельно, а не только работать по готовому ТЗ. — Опыт работы с Git. Будет большим плюсом: — Опыт с OCR: Tesseract, PaddleOCR или аналогами. — Опыт с PyMuPDF, pdfplumber, Camelot, Tabula. — Опыт с fuzzy matching. — Опыт работы с Document AI / Intelligent Document Processing. — Интеграция LLM API: OpenAI, Azure OpenAI, YandexGPT или аналогов. — Опыт разработки систем reconciliation / data matching. — Опыт работы с финансовыми, бухгалтерскими или другими структурированными документами. — Опыт On-Premise решений. — Опыт построения решений, где нужно сочетать детерминированную бизнес-логику и AI. Что здесь не требуется: — Мы не ищем классического Data Scientist и не планируем обучение собственных ML-моделей с нуля. В проекте важнее: — сильная прикладная Python-разработка; — работа с документами и данными; — построение надежной логики сопоставления; — понимание, где действительно нужен AI, а где лучше использовать обычные алгоритмы. О проекте: — На первом этапе планируется разработка MVP без глубокой интеграции с внутренними учетными системами. — Базовый сценарий: пользователь загружает акт сверки и внутреннюю выгрузку, система извлекает и нормализует данные, выполняет сопоставление, показывает совпадения и расхождения, формирует структурированный результат для пользователя. — Ожидаемый результат — рабочий прототип, который можно проверить на реальных исторических данных. Условия: — Удалённая работа. — Проектная занятость / аутстафф. — Возможна полная или частичная загрузка — обсуждается индивидуально. — Проект стартует с этапа MVP, с возможностью продолжения. — Работа в составе небольшой проектной команды. Ожидаемый уровень: Middle+ / Senior Нам нужен специалист, который сможет самостоятельно разобраться в предметной области, предложить техническое решение и довести его до рабочего результата. Будет преимуществом в отклике: — опыт похожих задач: обработка документов, OCR, reconciliation / matching, financial data processing, Document AI, LLM-интеграции. — указание текущей доступности, возможной загрузки в часах в месяц, часовой ставки, формата работы (ИП / самозанятый / другой).
Зарплата не указана
- 5+ years in IT overall, including 2+ years hands-on building applications, agents, and automations on top of LLMs - applying generative AI to real products and business tasks — and demonstrated seniority owning solutions end to end. - Hands-on experience with RAG and retrieval: embeddings, vector databases, tuning retrieval quality.
Зарплата не указана
Задачи: — изучение инструментов и практик AI-driven разработки, включая автоматизацию продуктового цикла, разработку мультиагентских систем и работу с крупными проектами от 500 тысяч строк кода с контролем затрат токенов — разбор кейсов: автоматизированный цикл оптимизации конверсии сайта через симуляцию на базе реального поведения пользователей, создание RAG с нуля (от чанкинга до оценки качества через RAGAS), сборка мультиагентной системы на живом кейсе, архитектурная трансформация монолита в микросервисы через Domain-Driven Design и spec-driven ревью Условия: — программа длится три месяца — 17 онлайн-встреч от 2 до 3 часов — возможность общения с экспертами, разбор рабочих кейсов и задач для практики — все материалы доступны в записи 6 месяцев после покупки — старт третьего потока 6 октября — для подписчиков канала с промокодом GOLANG доступна скидка 20%
Зарплата не указана
В рамках данной позиции предстоит заниматься проектированием и разработкой AI-агентов, включая реализацию сценариев, оркестрацию, вызов инструментов и интеграцию с внутренними сервисами. Необходимо преобразовывать прототипы и модели Data Science в стабильные промышленные решения, обеспечивая их упаковку, интеграцию в сервисы и пайплайны, версионирование и сопровождение. Работа включает разработку на Python сервисов, библиотек и пайплайнов, написание автотестов и участие в код-ревью. Также требуется проектировать, создавать и поддерживать витрины данных для ML-моделей и агентов, обрабатывать большие объемы данных с использованием SQL, Hadoop и Spark, оптимизировать запросы и вычислительные задачи. Важной частью является обеспечение качества и наблюдаемости решений через логирование, мониторинг, обработку ошибок и контроль качества данных. Кандидат должен иметь опыт промышленной разработки на Python не менее двух лет, уметь писать поддерживаемый код с типизацией, тестированием, обработкой ошибок и логированием, а также уверенно владеть SQL, включая сложные запросы, оконные функции и оптимизацию. Требуется опыт построения и сопровождения ETL/ELT-пайплайнов и витрин данных, а также опыт вывода сервисов, моделей или data-продуктов в промышленную эксплуатацию. Необходимо понимание принципов работы AI-агентов, включая оркестрацию, вызов инструментов, управление состоянием и интеграцию с API, а также жизненного цикла ML-модели от артефакта и данных до инференса, мониторинга и обновления. Будет преимуществом опыт разработки AI-агентов с использованием LangGraph, LangChain, LlamaIndex или собственного оркестратора, а также опыт работы с LLM, RAG и векторными хранилищами. Дополнительным плюсом считается опыт оркестрации пайплайнов в Airflow или аналогичных системах, работы с Kafka и событийными архитектурами, знание Docker, CI/CD и Kubernetes, практический опыт с Hadoop и Spark, внедрение ML- или LLM-сервисов во внутреннем контуре, а также опыт в банковском домене, продуктах для юридических лиц или документообороте. Формат работы — офис или гибрид в Москве.
Зарплата не указана
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.
до 260 000 ₽
Anthropic Fellows Program is designed to foster AI research and engineering talent by providing funding and mentorship to promising technical talent regardless of previous experience. Fellows primarily use external infrastructure such as open-source models and public APIs to work on empirical projects aligned with Anthropic's research priorities, aiming to produce public outputs like paper submissions. The program runs multiple cohorts yearly with rolling application reviews, expecting a start in January 2027 but flexible start dates can be requested. The program includes 4 months of full-time research, direct mentorship from Anthropic researchers, access to a shared workspace, connection to the AI safety and security research community, a weekly stipend of 3,850 USD / 2,310 GBP / 4,300 CAD plus benefits varying by country, and funding for compute (~$15k/month) and other research expenses. The interview process involves an initial application and reference check, technical assessments and interviews, and a research discussion. Applicants are encouraged to apply even if they do not meet every qualification, with emphasis on diversity and inclusion. There are two main fellow tracks: ML Systems & Performance Fellows: - Mentors include Alwin Peng and Zygi Straznickas. - Projects may involve building CPU simulators for accelerator workloads, adding backends for accelerators on open source projects, building on-demand infrastructure, and creating complex synthetic data or environment pipelines. - Candidates should have strong software engineering skills, experience with complex ML systems, ability to balance research and engineering rigor, comfort with large-scale distributed systems and high-performance computing, experience with training or evaluating large language models, and skills in analyzing and debugging model training. - Fluency in Python and full-time availability are required. Reinforcement Learning Fellows: - Mentors include Ruhua Jiang, Kaidi Cao, Sunny Duan, David Brandfonbrener, Colt Steele, Dino Distefano, and Will Williams. - Projects may include building model-based tools to understand and improve AI training data, research on generalization, creating RL environments to improve Claude models and safety-related tasks, and research and implementation of RL algorithms. - Candidate criteria are similar to ML Systems Fellows. Logistics: - Participants must have work authorization and be located in the US, UK, or Canada during the program. - Shared workspaces are available in San Francisco; remote participation is allowed in the UK, US, or Canada. - Visa sponsorship is not provided; candidates must have or obtain full-time work authorization independently. - The program duration is 4 months full-time, with possible extensions and flexibility for partial commitments. Additional notes: - No guarantee of full-time offers post-program, though strong performers may receive offers or continue impactful AI safety work elsewhere. - Anthropic's full-time role policies do not apply to the Fellows Program. - The company emphasizes collaborative, large-scale AI research with a focus on safety, interpretability, and steerability. - Candidates must be fluent in Python and able to commit full-time. - The program values diversity and encourages applications from underrepresented groups. - Safety advice is provided regarding recruitment communications. Apply at the provided link.
Задачи: — Разрабатывать платформу для создания внутренних ассистентов с использованием современных подходов. — Обеспечивать сотрудникам доступ к актуальным возможностям LLM — интеграция новых моделей, MCP и API. — Анализировать качество генеративных моделей, выявлять слабые места и предлагать способы их улучшения. — Постоянно держать руку на пульсе: следить за best practices и open source-проектами в области LLM и интеграций. — Разворачивать и поддерживать сервисы в Kubernetes: деплой, конфигурация, настройка мониторинга и алёртов. — Проводить Code Review и архитектурные ревью существующих решений, вносить предложения по оптимизации и развитию. Требования: — Опыт разработки от 5 лет. — Активный пользователь LLM, применяешь их в работе и личной жизни, понимаешь возможности и ограничения. — Опыт деплоя сервисов в продакшн и обеспечение их стабильной работы. Будет преимуществом: — Понимание архитектуры AI-агентов (оркестрация, memory, tools). — Опыт работы с одним из фреймворков для написания LLM пайплайнов: LangChain, LlamaIndex, Haystack. Условия: — Работа удалённо по РФ, возможен гибридный формат в офисах Москвы, Санкт-Петербурга и Новосибирска. — Нет дресс-кода и строгого графика. — Современные технологии, участие в конференциях. — ДМС и забота о здоровье сотрудников.
Зарплата не указана
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
от 3 500 $
до 300 000 ₽
Задачи: — создать внутреннюю ИИ-систему для ювелирной компании — подключить базу 1С для возможности задавать вопросы в чате и получать информацию по товару: наличие, остатки, цена, местонахождение, количество — обеспечить поиск товара не только по артикулу, но и по фотографии, даже если фото отличается от изображения в 1С — развивать систему: подключить базу образов/луков, подбор похожих товаров и комплектов, рекомендации для клиентов, интеграцию с сайтом Требования: — специалист или команда с опытом в разработке ИИ-систем и интеграции с 1С Условия: — для отклика писать на @polcom07 с релевантными кейсами и примерной оценкой первого этапа
Зарплата не указана
Задачи: — проектирование и реализация единой корпоративной агентной платформы, предоставляющей пользователю единую точку взаимодействия с информационными системами и бизнес-процессами; — разработка главного агента-оркестратора, специализированных агентов, реестра инструментов; — управление контекстом и состоянием, межагентное взаимодействие; — интеграция с корпоративными системами; — обеспечение безопасности, наблюдаемости, тестирование качества и отказоустойчивости; — hands-on участие в разработке. Требования: — от 3 лет коммерческой backend-разработки; — опыт технического проектирования распределённых систем; — практический опыт работы с LLM и агентными системами; — желательно наличие хотя бы одного агентного или LLM-продукта, доведённого до пилотной либо промышленной эксплуатации; — опыт технического лидерства или владения архитектурой крупного модуля; — умение работать в условиях неполных требований и формировать целевую архитектуру; — способность общаться с разработчиками и владельцами бизнес-процессов; — практический опыт разработки LLM-агентов и agentic workflows; — понимание различий между агентом, инструментом, workflow, multi-agent системой и чат-ботом; — опыт реализации supervisor/orchestrator-архитектуры; — планирование и декомпозиция сложных пользовательских задач; — выбор специализированного агента или инструмента; — реализация взаимодействия между агентами, параллельное выполнение независимых задач; — управление состоянием долгоживущих сценариев, работа с краткосрочной и долгосрочной памятью; — контроль циклов, timeout, retry и fallback; — разрешение конфликтующих результатов нескольких агентов; — реализация human-in-the-loop и запрос подтверждения перед критичными действиями; — защита от бесконтрольного поведения агентов; — межагентское взаимодействие: типизированные сообщения, контракты задач и результатов, делегирование задач, общий и изолированный контекст агентов, очереди и приоритеты задач, синхронное и асинхронное взаимодействие, передача управления, трассировка цепочки выполнения, предотвращение зацикливания, повторное выполнение и идемпотентность, обработка частичной недоступности агентов и инструментов; — сильное знание Python, async/await и конкурентное выполнение; — опыт работы с FastAPI, Pydantic, pytest; — проектирование API и типизированных контрактов; — модульная и гексагональная архитектура; — интеграция нового функционала в существующие системы; — опыт работы с REST, gRPC, WebSocket или Server-Sent Events; — работа с очередями сообщений и фоновыми задачами; — опыт работы с долгоживущими и асинхронными процессами; — понимание микросервисной архитектуры и модульных монолитов; — умение проектировать систему без жёсткой зависимости от конкретной LLM или фреймворка. Условия: — комфортный современный офис в Москве, ул. Вавилова 19; — офисный формат работы на период испытательного срока, после возможен гибрид; — ежегодный пересмотр зарплаты, структура дохода: оклад + 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; — 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: — Разбирать и обрабатывать документы в форматах Excel, PDF и сканы. — Извлекать табличные данные из документов. — Нормализовать даты, номера документов, суммы и другие поля. — Проектировать и реализовывать логику сопоставления данных. — Выявлять расхождения между двумя источниками. — Обрабатывать сложные кейсы: разные периоды, отличающиеся номера, частичные совпадения и другие неоднозначные ситуации. — Интегрировать OCR и Document AI-инструменты. — При необходимости использовать LLM для интерпретации и формирования человекочитаемых объяснений. — Разрабатывать backend/API для сервиса. — Участвовать в проектировании архитектуры MVP. — Работать с реальными обезличенными финансовыми документами и тестировать качество решения на исторических данных. Требования: — Коммерческий опыт разработки на Python от 3 лет. — Уверенное владение Python. — Опыт работы с pandas и табличными данными. — Опыт обработки Excel / CSV. — Опыт парсинга PDF. — Опыт разработки backend-сервисов и REST API. — Понимание алгоритмов сопоставления, нормализации и очистки данных. — Умение проектировать решение самостоятельно, а не только работать по готовому ТЗ. — Опыт работы с Git. Будет большим плюсом: — Опыт с OCR: Tesseract, PaddleOCR или аналогами. — Опыт с PyMuPDF, pdfplumber, Camelot, Tabula. — Опыт с fuzzy matching. — Опыт работы с Document AI / Intelligent Document Processing. — Интеграция LLM API: OpenAI, Azure OpenAI, YandexGPT или аналогов. — Опыт разработки систем reconciliation / data matching. — Опыт работы с финансовыми, бухгалтерскими или другими структурированными документами. — Опыт On-Premise решений. — Опыт построения решений, где нужно сочетать детерминированную бизнес-логику и AI. Что здесь не требуется: — Классический Data Scientist и обучение собственных ML-моделей с нуля. — В проекте важнее: сильная прикладная Python-разработка; работа с документами и данными; построение надежной логики сопоставления; понимание, где действительно нужен AI, а где лучше использовать обычные алгоритмы. О проекте: — На первом этапе планируется разработка MVP без глубокой интеграции с внутренними учетными системами. — Базовый сценарий: пользователь загружает акт сверки и внутреннюю выгрузку, система извлекает и нормализует данные, выполняет сопоставление, показывает совпадения и расхождения, формирует структурированный результат для пользователя. — Ожидаемый результат — рабочий прототип, который можно проверить на реальных исторических данных. Условия: — Удалённая работа. — Проектная занятость / аутстафф. — Возможна полная или частичная загрузка — обсуждается индивидуально. — Проект стартует с этапа MVP, с возможностью продолжения. — Работа в составе небольшой проектной команды. — Ожидаемый уровень Middle+ / Senior. — Специалист должен самостоятельно разобраться в предметной области, предложить техническое решение и довести его до рабочего результата. Будет преимуществом в отклике: — Опыт похожих задач: обработка документов; OCR; reconciliation / matching; financial data processing; Document AI; LLM-интеграции. — Указание текущей доступности, возможной загрузки в часах в месяц, часовой ставки, формата работы: ИП / самозанятый / другой.
Зарплата не указана
Зарплата не указана
Зарплата не указана
Зарплата не указана