Вакансии

Location: Slovenia; Lithuania; Latvia; Colombia; Brazil; Argentina Intetics Inc. , a global technology company providing custom software application development, distributed professional teams, software product quality assessment, and “all-things-digital” solutions, is seeking a highly skilled and experienced Staff Data Scientist / Machine Learning Engineer to join our dynamic team on a full-time basis. Responsibilities: - Design, build, and maintain predictive Lifetime Value (pLTV) models using machine learning techniques such as XGBoost, CatBoost, and probabilistic forecasting methods. - Develop and manage a tiered scoring framework that assigns users to different prediction models based on data availability and signal quality. - Create and optimize calibration frameworks that transform raw model outputs into business-ready values through normalization, scaling, and custom loss optimization strategies. - Own feature engineering processes, building and maintaining scalable feature datasets from transactional, behavioral, and engagement data. - Define and enforce feature quality standards, ensuring model inputs are reliable, relevant, and suitable for production use. - Monitor model performance, drift, and data distribution changes, proactively identifying when retraining or model adjustments are required. - Analyze the impact of deployed models on downstream outcomes and detect feedback loops that may affect future model accuracy. - Develop and improve identity resolution processes to unify behavioral and transactional data across multiple data sources. - Build, test, and maintain production-grade Python services and data pipelines for model training, scoring, and signal delivery. - Implement robust software engineering practices, including automated testing, CI/CD, monitoring, idempotent processing, and deployment safeguards. - Collaborate with data, engineering, and product stakeholders to improve data quality, model effectiveness, and platform scalability. - Operate and optimize ML workflows in cloud environments using orchestration, scheduling, and distributed processing tools. - Ensure the reliability, accuracy, and scalability of machine learning systems that support critical business decision-making and performance optimization. Requirements 5+ years of hands-on ML engineering in Python with production-deployed models (not just Jupyter notebooks). You should be comfortable writing production-grade code, not just prototypes. Experience with gradient boosted trees (XGBoost, CatBoost, or LightGBM) in a production setting, including hyperparameter tuning, feature importance analysis, and model evaluation beyond default metrics. Strong SQL and BigQuery fluency. You will write complex feature engineering queries, scheduled transformations, and data validation logic directly in BigQuery. GCP production experience. Cloud Run, Airflow/Composer, Vertex AI, Pub/Sub. You have deployed and maintained ML workloads on GCP, not just completed certification exercises. Understanding of model calibration. You know the difference between a model that minimizes RMSE and a model that maximizes business value. You have experience with or strong intuition about how prediction errors compound when consumed by a downstream optimization system. Outbound API integration experience. You have pushed model outputs into external systems that act on them (ad platforms, recommendation engines, pricing systems, bidding systems). Strongly Preferred: E-commerce or DTC domain experience. Customer lifetime value, purchase prediction, churn modeling, or customer segmentation for retail or subscription businesses. Familiarity with probabilistic customer models (BG/NBD, Gamma-Gamma, or similar frameworks). If you haven't used these specifically, strong Bayesian statistics foundations are equally valuable. Ad platform signal engineering. Experience with Google Ads API (ConversionUploadService, Enhanced Conversions), Meta Conversions API (CAPI), or similar server-side event dispatch systems. Identity resolution or entity matching. Graph-based identity stitching, probabilistic matching, or CDP-style cross-device identity work. Nice-to-have: Terraform, CI/CD pipeline design, Docker containerization for ML workloads. Experience with causal inference methods, A/B testing in ad spend environments, or multi-armed bandit allocation. Familiarity with agentic development workflows (Claude Code, Cursor, or similar AI-assisted coding tools).

Location: United States Workplace: OnSite WHO ARE WE? Cohere is the leading security-first enterprise AI company. We build cutting-edge foundation AI models and end-to-end products that are designed to solve real-world business problems. We’re training and deploying frontier models for enterprises who are building AI systems. We believe that our work is instrumental to the widespread adoption of AI and we are looking for folks that want to be part of that. We obsess over what we build. Each one of us is responsible for contributing to increasing the capabilities of our models and the value they drive for our customers. Cohere is a team of researchers, engineers, designers, and more, who are all passionate about their craft. We are a global technology company headquartered in Toronto with key offices in London, New York City, San Francisco, Montreal, Paris, Berlin and Seoul. Join us! Why this role? Are you energized by bridging the gap between frontier AI capability and complex customer reality? Do you want to architect high-performance, resilient machine learning systems directly inside strategic enterprise environments? We are looking for a Staff Forward Deployed Engineer (FDE) to join our team. The team is responsible for taking our large language models and making them work reliably, securely, and at peak performance within our customers' custom infrastructure and data perimeters. In this role, you will act as the principal technical translation layer between our core engineering teams and our strategic partners. You will own the architecture for highly ambiguous, customer-specific inference challenges—ranging from multi-tenant model serving to multi-datacenter disaster recovery and custom hardware validation. You will lead technical adoption end-to-end, ensuring our models achieve exceptionally low latency, high throughput, and seamless resilience in the field. As a Forward Deployed Engineer, you will: • Embed directly with customer engineering teams to architect the "connective tissue" between our AI models and their live, complex production environments. • Design advanced model serving topologies, implementing multi-tenant architectures, intelligent model routing, and cross-datacenter failover strategies for multi-cluster environments. • Optimize "AI-in-a-box" and private deployments, balancing localized SRE constraints like Kubernetes multi-cluster scale with raw model performance. • Conduct rigorous benchmarking and profiling of customer LLM workloads, root-causing performance degradation (e.g., slow generation) via metrics, dashboards, and distributed logs. • Accelerate hardware validation, collaborating with clients to run and support Cohere models on next-generation accelerators (GPUs, TPUs, AMD, and custom ASICs). • Translate complex field friction into platform upgrades, delivering prescriptive feedback and contributing directly back to core product features. • Ensure Day-1 production reliability, assisting customers in establishing sound deployment patterns, SLOs, and observability frameworks. You may be a good fit if you have: • 8+ years of engineering experience running production infrastructure, designing large-scale distributed systems, or deploying enterprise software in complex environments. • Deep technical depth in production Kubernetes, including orchestration across multi-cluster and hybrid/multi-cloud ecosystems (GCP, Azure, AWS, OCI). • Strong understanding of LLM architecture and inference dynamics, specifically how attention mechanisms, compute-bound prefill, and memory-bound decode phases dictate live performance. • Hands-on experience with modern inference engines and optimization stacks (e.g., vLLM, TensorRT-LLM, lmd, or Dynamo). • Familiarity with distributed serving techniques, such as prefill/decode disaggregated serving, distributed KV caching, and multi-GPU workloads. • Exceptional customer-facing technical leadership, with a proven track record of scoping highly ambiguous problems and steering executive technical stakeholders. • The high agency, grit, and adaptability to write same-day production code while managing client-side deployment politics or blockers. • Strong programming foundations in Python, Go, or C++, comfortable moving fluidly between backend data pipelines and infrastructure layer tuning. FULL-TIME EMPLOYEES AT COHERE ENJOY THESE PERKS: - A weekly lunch stipend of $75/£75 or equivalent in your local currency for lunch. - Full health and dental benefits, including a separate budget for mental health. - RRSP matching, 401K, Pension Scheme. - 100% Parental Leave top-up for up to 6 months, for either parent. - Annual enrichment benefits: Arts & culture, fitness/wellness, quality time, and a workspace improvement credit. Education & learning stipend for conferences, courses, and coaching. - 6 weeks of paid vacation (30 working days!) - Budget for traveling to other offices if you are remote, plus an annual company offsite. HOW AND WHERE WE WORK: - Cohere is remote-friendly, but we also have offices in Toronto, London, New York City, San Francisco, Montreal, Paris, Berlin and Seoul with more opening soon. - For those in the office: a daily lunch program, plenty of snacks, and regular community and social events. - For those not near an office: a co-working benefit so you can work alongside others in your city. - Everyone receives a $500 home office stipend to set up your workspace properly. If any of the above doesn’t line up exactly with your experience, we still encourage you to apply. We strive to create an inclusive work environment for all; we welcome applicants from all backgrounds and are committed to providing equal opportunities. Should you require any accommodations during the recruitment process, please submit an Accommodations Request Form https://docs.google.com/forms/d/12a6IrLdF3kI2nonKSr4tiFuz18rLQbaeYV-JM9L4o9Q/edit, and we will work together to meet your needs. We may use AI-enabled tools to screen and assess applicants against the criteria for this position. This helps our recruiters identify potentially qualified candidates, but it doesn't limit the applications our recruiters may review or consider. Beware of Scams: Cohere will never ask for payment or third-party services (e.g., CV writing) as part of our hiring process. All legitimate roles are listed on the Cohere careers page and LinkedIn only, with all communications from Cohere employees coming from an @cohere.com or @cw.cohere email alias. If jobs are viewed on other sites then please verify these through our official careers https://cohere.com/careers page.

Location: Remote - US Who we are At Twilio, we’re shaping the future of communications, all from the comfort of our homes. We deliver innovative solutions to hundreds of thousands of businesses and empower millions of developers worldwide to craft personalized customer experiences. Our dedication to remote-first work , and strong culture of connection and global inclusion means that no matter your location, you’re part of a vibrant team with diverse experiences making a global impact each day. As we continue to revolutionize how the world interacts, we’re acquiring new skills and experiences that make work feel truly rewarding. Your career at Twilio is in your hands. . Hiring and how we work We use Artificial Intelligence (AI) to help make our hiring process efficient. That said, every hiring decision is made by real Twilions! Also, while we are a remote-first company, you may be asked to report in person on an ad-hoc basis for team gatherings, functional off-sites or customer meetings. . See yourself at Twilio Join the team as Twilio’s next Machine Learning Engineer, Customer Memory. About the job This position is needed to build and scale the pipelines that turn raw conversation data into structured, searchable customer memory, and the evaluation systems that keep that memory accurate as the product evolves. You'll join the Conversation Memory team, which builds the memory layer behind Twilio's Conversational AI platform: the systems that extract what matters from millions of conversations, resolve it to the right customer, and retrieve it in milliseconds when an agent needs it. Memory that is wrong, stale, or crossed between customers is worse than no memory at all, so quality measurement is a first-class part of the work. Responsibilities In this role, you’ll: Build the extraction pipeline that turns raw data into structured memory, tuning the LLM prompts and schemas that decide what an AI agent remembers about a customer and what it forgets. Own the retrieval path that answers "what do we know about this person?" in milliseconds, working with embeddings, vector search, and ranking Contribute to the eval systems that tell us whether memory is actually getting better, turning a fuzzy question of quality into benchmarks and regression gates that run before every change ships. Diagnose production issues across the ingestion, extraction, and indexing path using logs, metrics, and traces. Partner with Product and ML teams to translate customer problems into system changes and evaluation criteria. Qualifications Twilio values diverse experiences from all kinds of industries, and we encourage everyone who meets the required qualifications to apply. If your career is just starting or hasn't followed a traditional path, don't let that stop you from considering Twilio. We are always looking for people who will bring something new to the table! Required: Experience building backend services, and a demonstrated ability to pick up new languages, frameworks, and tools as the problem demands. A curious approach to service management: ability to investigate how systems actually behave in production, and desire to continuously learn how to operate them with rigor and accountability. Experience building or working with evaluation/quality-measurement systems, such as regression detection or quality metrics, or the desire to learn. Solid grounding in observability practices: structured logging, metrics, and using them to debug distributed systems in production. Fluency with AI-assisted dev tools (e.g. agents for code generation, review, debugging), applied with deliberate direction and critical thinking. Desired: Experience with Go and/or Python. Experience with event-streaming systems (e.g. Kafka). Experience building LLM-backed products. Practical experience applying ML, e.g. building, evaluating, or productionizing models. Location This role will be remote, but is not eligible to be hired in San Francisco, CA, Oakland, CA, San Jose, CA, or the surrounding areas. Travel We prioritize connection and opportunities to build relationships with our customers and each other. For this role, you may be required to travel occasionally to participate in project or team in-person meetings. What We Offer Working at Twilio offers many benefits, including competitive pay, generous time off, ample parental and wellness leave, healthcare, a retirement savings program, and much more. Offerings vary by location. Compensation *Please note the salary range information provided applies only to candidates residing in California, Colorado, Hawaii, Illinois, Maryland, Massachusetts, Minnesota, New Jersey, New York, Vermont, Washington D.C., and Washington State due to local requirements. Compensation for candidates in other locations will be discussed during the hiring process. Please note that hiring for this role is not restricted to the locations listed above. The estimated pay ranges for this role are as follows: Based in Colorado, Hawaii, Illinois, Maryland, Massachusetts, Minnesota, Vermont or Washington D.C. : $128,560 - $160,700 Based in New York, New Jersey, Washington State, or California (outside of the San Francisco Bay area): $136,000 - $170,000. This role may be eligible to participate in Twilio’s equity plan and corporate bonus plan. All roles are generally eligible for the following benefits: health care insurance, 401(k) retirement account, paid sick time, paid personal time off, paid parental leave. The successful candidate’s starting salary will be determined based on permissible, non-discriminatory factors such as skills, experience, and geographic location. Application deadline information Applications for this role are intended to be accepted until November 13, 2026 but may change based on business needs. Twilio thinks big. Do you? We like to solve problems, take initiative, pitch in when needed, and are always up for trying new things. That's why we seek out colleagues who embody our values — something we call Twilio Magic . Additionally, we empower employees to build positive change in their communities by supporting their volunteering and donation efforts. So, if you're ready to unleash your full potential, do your best work, and be the best version of yourself, apply now! If this role isn't what you're looking for, please consider other open positions. . Stay alert to recruitment fraud We care about your safety. Scammers sometimes impersonate Twilio recruiters through fake job postings, emails, websites, or messages. Please ensure you are engaging with an official @ twilio.com email address. We will never ask for payment, gift cards, cryptocurrency, or banking information during the recruiting process. We do not make job offers without a formal interview process or conduct interviews exclusively through text-based messaging apps. . Twilio is proud to be an equal opportunity employer. We do not discriminate based upon race, religion, color, national origin, sex (including pregnancy, childbirth, reproductive health decisions, or related medical conditions), sexual orientation, gender identity, gender expression, age, status as a protected veteran, status as an individual with a disability, genetic information, political views or activity, or other applicable legally protected characteristics. We also consider qualified applicants with criminal histories, consistent with applicable federal, state and local law. Qualified applicants with arrest or conviction records will be considered for employment in accordance with the Los Angeles County Fair Chance Ordinance for Employers and the California Fair Chance Act. Additionally, Twilio participates in the E-Verify program in certain locations, as required by law.

Location: Москва В Центре Робототехники Сбера мы строим антропоморфного робота общего назначения. Наш робот вышел из стадии первых демонстраций — и мы переходим к надёжной автономной работе в реальных задачах. Локомоция и управление всем телом (Whole Body Control) — основа этой работы: именно от них зависит, насколько устойчиво и предсказуемо робот движется в реальном мире. Мы ищем инженера, который разрабатывает, обучает и доводит до робота RL-политики управления всем телом — от постановки задачи в симуляторе до стабильной работы контроллера на железе. Это роль для того, кто хочет видеть результат своих алгоритмов не в метриках на графике, а в том, как робот уверенно идёт, поворачивает и держит равновесие. Наша команда действительно работает над уникальным проектом в России, а у Вас будет прямой доступ к железу, Вы будете видеть результат своей работы в физическом мире. **Ключевые технологии:** Python, PyTorch, RL (PPO/SAC), MuJoCo/Isaac Sim, ONNX, C++, ROS2. Обязанности * разрабатывать, обучать и деплоить RL-политики локомоции и whole body control * подбирать observations, actions и типы моделей, которые дают максимальную производительность * находить и закрывать ключевые факторы в sim-to-real gap — добиваться, чтобы политика, обученная в симуляторе, работала на реальном роботе * определять, измерять и интерпретировать метрики качества обученных политик * доводить control stack до стабильной и предсказуемой работы в реальных условиях * настраивать reward-функции, domain randomization и curriculum под конкретные двигательные задачи * работать в связке с командами интеграции и middleware — доводить политику до надежного исполнения на железе. Требования * уверенное владение Python; знание C++ как плюс для интеграции на робота * опыт применения RL-алгоритмов для робототехники или управления (PPO, SAC и подобные) * понимание динамики и управления, в идеале — шагающих роботов * опыт подбора гиперпараметров и cost/reward-функций для RL * знакомство с типовыми техниками RL: domain randomization, curriculum learning, reward shaping * опыт работы с симуляторами (MuJoCo, Isaac Sim или аналоги) * способность самостоятельно разбираться в незнакомых системах и находить корневые причины проблем * желание брать ответственность за то, что политика работает на роботе, а не только в симуляторе. **Будет плюсом:** * опыт деплоя обученных политик на реальное железо * опыт с behavior cloning и дистилляцией политик * понимание основ теории управления, кинематики и динамики шагающих роботов * опыт работы с middleware робота (ROS2, DDS) * опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов. Условия * комфортный современный офис г. Москва, МЦК ЗИЛ, Автозаводская 23а к2 * **формат работы - офис** * 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 вакансий уровня Junior) * 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.

🧠 Развивать пайплайны генерации на generative AI моделях: сообщения в чатах (LLM), изображения и видео. 🎞 Работать с text-to-video, image-to-video, video-to-video, character-consistent video, lip-sync, motion transfer, face consistency.

Dave is looking for a Lead Machine Learning Scientist to develop and deploy fraud detection models and improve fraud and credit decisioning.

Location: Москва Команда текстовых диффузионных моделей занимается прикладными исследованиями в области языковых моделей с альтернативными архитектурами и подходами к генерации текста: диффузионные текстовые модели, креативный генеративный ИИ. Обязанности * Организация SFT и RL дообучения моделей для агентного креативного ИИ * Улучшение моделей спекулятивного декодирования для ускорения инференса LLM, доработка архитектур, пайплайна обучения и протокола оценки. * Подготовка датасет для агентного сценария генерации русскоязычной поэзии. Требования * Владение инструментами и экосистемой: Linux, Python, torch, transformers, vllm. * Практический опыт проведения экспериментов в ML: планирование, сбор обучающих данных, оценка моделей, включая человеческую разметку, статобработка результатов, масштабирование. * Опыт работы с языковыми моделями: архитектурные модификации трансформера, распределенная тренировка, бенчмаркинг, оптимизация инференса. * Опыт работы с данными для обучения LLM: генерация синтетики, очистка данных, подготовка датасетов для обучения. **Будет плюсом** * Практический опыт запуска распределенных задач в вычислительном кластере. * Опыт научных публикаций по темам CS и ML. * Опыт доведения ML решений до прода. Условия * комфортный современный офис рядом с м. Кутузовская * гибридный формат работы * ежегодный пересмотр зарплаты, годовая премия от 3х окладов * большой спортзал и зоны отдыха * система обучения для профессионального и карьерного развития * расширенный полис ДМС с первого дня работы и страхование для семьи * программа ипотеки для сотрудников со скидкой -1/3 от текущей ставки * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.

Location: Москва Workplace: гибкий Мы — группа мультимодальных контентных моделей в отделе экспериментальных технологий AI VK. Мы разрабатываем технологии глубокого понимания контента и применяем их для развития рекомендательных систем ВКонтакте. Мы строим модели, которые извлекают содержательные представления из постов, клипов, длинных видео и музыкальных треков, объединяя информацию из текста, изображения, видеоряда, речи и звука. Эти представления используются для поиска похожего контента, построения признаков, классификации и улучшения качества рекомендаций в продуктах VK. Основные направления нашей работы — базовые embedding-модели для представления контента, мультимодальные модели и контентные классификаторы. Мы исследуем современные архитектуры, обучаем собственные модели на больших внутренних датасетах и доводим их до применения в продуктовых рекомендательных системах. Позиция находится на стыке ресёрча и инженерии: от чтения статей, построения датасетов и постановки экспериментов до масштабного обучения, оптимизации инференса и проверки моделей в A/B-тестах. Стек: PyTorch YT (YTsaurus), YQL NVIDIA Triton Inference Server, TensorRT, vLLM Распределённое обучение и multi-GPU inference Python, C++, Go Задачи Разрабатывать и обучать базовые embedding-модели для текста, изображений, видео, речи, звука и музыки Разрабатывать мультимодальные модели и контентные классификаторы Исследовать архитектуры и методы обучения представлений: metric learning, contrastive learning, self-supervised и supervised learning Строить датасеты и бенчмарки для оценки качества моделей и проводить масштабные экспериментальные исследования Адаптировать модели под задачи retrieval и рекомендательных систем Интегрировать модели в продуктовые механики рекомендаций постов, клипов, видео и музыки Оптимизировать и масштабировать обучение и инференс моделей Деплоить модели и сопровождать их в продакшене: проводить A/B-тесты, анализировать метрики и мониторить качество Постоянно разбирать свежие статьи и идеи из индустрии и академической среды, воспроизводить перспективные подходы и проверять их на наших задачах Настраивать пайплайны сбора и разметки данных, работать с асессорами и синтетическими данными: проектировать инструкции, контролировать качество и проводить калибровки Требования Опыт разработки, обучения и внедрения DL-моделей Уверенное знание теории машинного и глубокого обучения Хорошее понимание алгоритмов и структур данных, линейной алгебры, теории вероятностей и статистики Умение проектировать корректные эксперименты, выбирать метрики и интерпретировать результаты Навык написания чистого и поддерживаемого кода, понимание принципов проектирования ПО Владение современными практиками совместной разработки с кодовыми агентами: умение эффективно декомпозировать задачи для агентных инструментов, контролировать и ревьюить сгенерированный код Умение самостоятельно разбираться в новых предметных областях, быстро ставить эксперименты и проверять гипотезы Готовность работать как с исследовательской частью задачи, так и с её инженерной реализацией Открытость, ответственность, самостоятельность и проактивность Будет плюсом Опыт разработки поисковых или рекомендательных систем в индустриальном масштабе Опыт работы с embedding-моделями, metric learning, contrastive learning или representation learning Опыт работы с мультимодальными моделями, VLM, audio-language моделями, video encoders или foundation-моделями Опыт обучения моделей для аудио, музыки, речи, изображений или видео Опыт self-supervised learning и обучения на больших слабоструктурированных датасетах Опыт распределённого обучения на нескольких GPU или нескольких узлах Опыт оптимизации DL-моделей: профилирование, квантизация, дистилляция, уменьшение размерности представлений Опыт построения больших датасетов и систематических бенчмарков для ML-моделей Публикации на профильных ML-конференциях или сильный исследовательский бэкграунд

Location: Москва Workplace: Офисный Мы — отдел экспериментальных технологий в AI VK, который решает широкий спектр ML- и DL-задач. Наша команда анализирует, как наши разработки можно переиспользовать и где применить, а затем масштабировать. Задачи Развивать компоненты AI-ассистента для VK Видео: понимание намерения, удержание контекста диалога, выбор стратегии и маршрутизация инструментов Улучшать генерацию кандидатов, semantic retrieval и reranking для поиска и персонализированных рекомендаций Работать с гибридным поиском: эмбеддинги, текстовые и структурные фильтры, поисковые API, рекомендательные модели и явные критерии пользователя Оптимизировать candidate budget и смешивание кандидатов из разных источников Обучать и дообучать модели для отдельных компонентов системы: LLM-like, reranker, query rewriting, relevance-модели Собирать и улучшать обучающие и тестовые датасеты: реальные и синтетические запросы, сложные негативные примеры, long-tail-сценарии и размеченные диалоги Создавать и поддерживать golden datasets, human-aligned evaluation и автоматические проверки качества; калибровать auto-eval по человеческой оценке Анализировать деградации, формулировать гипотезы и проверять их в воспроизводимых экспериментах Оценивать модели не только по общей метрике, но и по отдельным сценариям, категориям запросов, релевантности, разнообразию, безопасности и качеству диалога Оптимизировать latency, стоимость и использование вычислительных ресурсов при обучении и инференсе Готовить компоненты к промышленной эксплуатации: интеграция, нагрузочное тестирование, мониторинг, обработка ошибок и контроль регрессий Участвовать в offline- и online-экспериментах, подготовке A/B-тестов и интерпретации продуктовых метрик Проводить code review, документировать эксперименты и участвовать в обсуждении архитектуры и исследовательских результатов Требования Сильная теоретическая база и опыт работы в рекомендательных системах, информационном поиске, NLP/LLM; готовность работать на их пересечении Понимание устройства retrieval и ranking: embeddings, candidate generation, negative sampling, cross-encoders, reranking Знание основных offline-метрик поиска и рекомендаций: Recall@K, Precision@K, NDCG, MRR и их ограничений Опыт обучения, валидации и внедрения ML-моделей; доведённые до production либо production-like среды самостоятельно разработанные компоненты Навыки постановки воспроизводимых экспериментов, анализа ошибок и статистической интерпретации результатов Понимание жизненного цикла ML-системы: данные, обучение, inference, мониторинг, деградации и переобучение Опыт работы с большими объёмами данных и пайплайнами обработки; YT, Spark или аналогичные инструменты Базовые навыки Linux, Git, контейнеризации и работы с сервисами Будет плюсом Опыт создания LLM-приложений: tool calling, agentic workflows, RAG, structured generation Дообучение LLM или encoder-моделей: SFT, LoRA/adapters, RL Построение lexical, semantic или hybrid retrieval LLM-as-a-judge, human evaluation, построение golden datasets и калибровка автоматических оценок Оптимизация GPU-инференса, batching, quantization, model serving Опыт с распределённым обучением и промышленной ML-инфраструктурой Практика A/B-тестирования рекомендательных или поисковых моделей Мультимодальные модели, VLM, понимание видео или рекомендательные системы для медиаконтента Наличие публикаций по тематике LLM, NLP, multimodal models

Location: Москва Workplace: Офисный Мы — отдел экспериментальных технологий в AI VK, который решает широкий спектр ML- и DL-задач. Наша команда анализирует, как наши разработки можно переиспользовать и где применить, а затем масштабировать. Мы строим LLM-команду, ищем людей с опытом алаймента, RAG-сценариями, ресёрч-бэкграундом в RL, умеющих рассуждать, быстро ставить эксперименты и проверять гипотезы. Позиция на стыке ресёрча и инженерии. У нашего отдела есть огромный накопленный опыт обучения и релизов Frontier мультимодальных моделей, VLM/MMLM. Стек: YT (YTsaurus), YQL NVIDIA Triton Inference Server, TensorRT, vLLM PyTorch, verl Python, C++, Go Задачи Разработка новых и улучшение существующих RAG-сценариев Оценка качества моделей и интеграция в продуктовые механики Деплой и оптимизация инференса моделей Сопровождение релизов: A/B-тесты, мониторинг Постоянный разбор свежих статей и идей в индустрии Настройка пайплайнов разметки, работа с асессорами и синтой: инструкция, контроль качества, калибровки Требования Опыт внедрения и сопровождения DL-моделей в продакшен Уверенное знание теории DL, алгоритмов и структур данных, линейной алгебры, теории вероятности и статистики Навык написания чистого кода, глубокое понимание принципов проектирования (SOLID, coupling & cohesion, etc...) Умение рассуждать, быстро ставить эксперименты и проверять гипотезы Открытость, ответственность, самостоятельность и проактивность Будет плюсом Опыт в построении поисковых или рекомендательных систем в индустриальном масштабе, бэкграунд разработки или кванты Публикации в научной среде Опыт профилирования DL-моделей, квантизация, дистилляция Опыт работы с распределённым обучением Опыт алаймента LLM, SFT, DPO/RLHF/GRPO, scaling laws, работа с агентами, синтетическими данными

Location: Москва Workplace: гибкий Направление фильмов и сериалов в VK Видео отвечает за развитие одних из ключевых сценариев потребления: фильмы, сериалы, детский контент, ТВ-шоу и тематические подборки. Мы хотим сделать эти сценарии удобнее и персональнее для пользователя: помогать находить хороший фильм на вечер, выбирать следующую серию любимого сериала, продолжать просмотр с нужного места и получать релевантные рекомендации без дублей. Мы ищем старшего ML-разработчика, который будет развивать киносериальные рекомендации: анализировать пользовательское поведение, формулировать и проверять гипотезы, развивать матчинг и дедупликацию контента, обучать модели, обеспечивать стабильную работу рантайма, проводить A/B-эксперименты и развивать систему метрик. Об одном из наших релизов можно прочитать здесь: https://vk.company/ru/press/releases/12243/ Что предлагаем: Большой масштаб — десятки миллионов пользователей, высоконагруженный рантайм и большие данные Значимую продуктовую зону — фильмы и сериалы являются одним из ключевых драйверов роста вовлечения и TVT Сильную техническую среду — Discovery-платформа, ML-инфраструктура, Java, YTsaurus, быстрый цикл экспериментов Нетривиальные задачи — матчинг тайтлов, дедупликация копий, рекомендации сериалов, подборки, работа с плейлистами и кластерными сущностями Реальное влияние на продукт — возможность влиять не только на модели, но и на качество пользовательских сценариев Задачи Развивать рекомендации для фильмов, сериалов, детского контента, ТВ-шоу и тематических подборок, а также разрабатывать механизмы матчинга и дедупликации контента Обеспечивать стабильную работу ML-решений в высоконагруженном рантайме Проводить A/B-эксперименты и принимать решения на основе данных Взаимодействовать с продуктом, аналитиками, бэкендом и смежными ML-командами Находить точки роста и формулировать продуктовые и ML-гипотезы Требования Вы имеете от трёх лет опыта разработки ML-решений Уверенно пишете код на Python, Java или C++ Работали с ML-системами в условиях высокой нагрузки Умеете работать с продуктовыми метриками и A/B-тестами Готовы брать на себя сложные технические задачи и доводить решения до продакшена Будет плюсом Работали с рекомендательными, поисковыми или рекламными системами Работали с видео, медиа, UGC или стриминговыми продуктами Сталкивались с задачами матчинга и дедупликации контента Имеете опыт оптимизации ML-рантайма и production-инфраструктуры

Location: Москва; Белград Workplace: Офис, Гибридный Яндекс Плюс — это единая подписка на сервисы Яндекса, которая даёт доступ к музыке, фильмам, подкастам, книгам, играм, спортивному и другому контенту. Ищем ML-разработчика в Плюс Лояльность. Вам предстоит писать код на Java и придумывать, как повысить эффективность механик лояльности. Яндекс Плюс — это единая подписка на сервисы Яндекса, которая даёт доступ к музыке, фильмам, подкастам, книгам, играм, спортивному и другому контенту. Это большой экосистемный проект, где более 35 миллионов подписчиков каждый день используют разнообразные возможности во всех сервисах экосистемы: слушают «Мою волну» в Музыке, получают кешбэк в Такси, Еде, на Маркете и в других сервисах Яндекса, смотрят кино на Кинопоиске. Одно из фокусных направлений — развитие сценариев лояльности. Количество предложений для пользователей растёт каждый день, и необходимо построить системы оптимального управления этим оферингом, скидками и баллами Плюса. Механик лояльности довольно много, каждая их них должна быть оптимизирована и максимально эффективна без превышения расходов. При этом все механики должны работать в одном направлении, не противореча целям бизнеса. Обязанности Выдвижение гипотез и проведение экспериментов Вам предстоит предлагать новые гипотезы и тестировать их, чтобы с помощью ML-моделей повышать эффективность механик лояльности для наших подписчиков в экосистеме Яндекса. Написание продакшн-кода на Java Мы работаем с классическими методами ML, оборачиваем наши модели в сервисы на Java и выводим в продакшн. Вам предстоит писать надёжный и эффективный продакшн-код на Java. Требования * Понимаете принципы классического ML * Знаете традиционные алгоритмы и структуры данных * Хорошо знакомы с Python и SQL * Можете понятно продемонстрировать бизнесу результаты исследований, аргументированно отстаиваете свою точку зрения * Готовы отвечать за продакшн-модели в runtime Будет плюсом * Выводили ML-модели в продакшн * Разрабатывали на Java или C++ * Умеете решать задачи из области Causal Inference

Location: Москва Workplace: Офис, Гибридный Миллионы людей пользуются Яндекс Навигатором и навигацией в Картах. Ищем лида команды, которая с помощью ML и больших данных улучшает качество навигации. Вы будете развивать команду и определять техническое направление. Важны опыт управления технической командой и уверенное знание классического ML. Миллионы людей каждый день пользуются Яндекс Навигатором и навигацией в Яндекс Картах. Мы помогаем водителям добираться быстрее и комфортнее: строим маршруты, предсказываем время в пути, ведём по маршруту и уточняем геопозицию даже там, где GPS работает плохо. Наша команда работает сразу со всеми сервисами навигации: находит точки роста, где ML может дать заметный продуктовый эффект, доводит исследования до продакшена и затем берётся за следующую сложную проблему. Мы работаем с GPS-сигналами, логами маршрутов и другими данными десятков миллионов пользователей, а модели внедряются в сервисы с нагрузкой в сотни тысяч запросов в секунду. Пишем на C++ (бэкенд) и Python (анализ данных, обучение моделей). Для работы с большими данными используем MapReduce (YT). Также исследуем применение современных ИИ-моделей в навигации. Обязанности Управление ML‑исследованиями и развитием команды Вам предстоит определять техническое направление исследований, распределять задачи внутри команды, помогать находить решения сложных и неоднозначных задач, проводить ревью, принимать решения о развитии или завершении проектов. Улучшение геопозиционирования В зонах с плохим GPS-сигналом точность позиционирования падает. Вам предстоит анализировать данные, находить новые источники данных и закономерности в них, строить модели, которые помогут точнее определять положение пользователя на дорожном графе. Повышение качества и персонализация маршрутов Не всегда «самый быстрый» маршрут — лучший для конкретного человека. Вам предстоит исследовать пользовательские предпочтения и развивать модели ранжирования маршрутов, чтобы предлагать каждому наиболее подходящие варианты с учётом привычек и контекста поездки. Предсказание ETA в сложных дорожных условиях Аварии, перекрытия, резкие изменения погоды — всё это делает предсказание времени в пути нетривиальной задачей. Предстоит работать над моделями, которые точнее оценивают ETA в условиях нестабильной дорожной ситуации. Больше об ML в Яндексе — в канале Yandex for ML Требования * Больше года (а лучше — от трёх лет) управляли технической командой * Уверенно ориентируетесь в классическом ML * Умеете работать с большими данными и строить выводы на их основе * Ориентируетесь на продуктовый результат и понимаете, как метрики модели связаны с пользовательским опытом * Понимаете принципы A/B-экспериментов * Уверенно программируете на Python * Работали с нейросетями и Deep Learning Будет плюсом * Работали с C++ * Знаете SQL * Знакомы с YT, YQL или аналогичными инструментами для обработки больших данных

Location: Москва; Санкт-Петербург Workplace: Офис, Гибридный Вы возглавите ML-команду и будете отвечать за разработку базовых технологий для AI-сервисов Yandex Cloud. Наш фокус — создание мультитенантных поисковых и классификационных моделей. Ждём, что вы разрабатывали и выводили в прод ML-сервисы с высокими требованиями к надёжности и производительности. Мы ищем опытного и проактивного лида, который возглавит ML-команду и будет отвечать за разработку базовых технологий для AI-сервисов Yandex Cloud. Основной фокус команды — создание мультитенантных поисковых и классификационных моделей и компонентов сервисов, которые предоставляются облачным пользователям как: * Standalone API (например, Embeddings API, Classification API) * Интегрированные функции в рамках OpenAI-like Responses и RealTime API (реализация RAG-сценариев, memory) * Технологическая основа для конечных продуктов (AI Guardrails, SpeechSense) Роль предполагает совмещение технического руководства и организационного управления небольшой распределённой командой, проектирование ML-систем, а также непосредственное участие в разработке. Мы предлагаем: * Прямое влияние на core-технологии AI-платформы Yandex Cloud * Высокий уровень технической автономии и свободу в выборе инструментов (активное использование и развитие опенсорса) * Возможность выстроить процессы и культуру в новой команде практически с нуля * Сильную R&D-команду и работу в кросс-функциональных v-teams над технически сложными и интересными задачами Обязанности Команда Вы будете управлять командой ML-разработчиков: проводить performance review, встречи 1-to-1, ставить цели, помогать разработчикам с карьерным развитием, наращивать знания и опыт команды. Понадобится декомпозировать продуктовые цели и превращать их в технический roadmap, формировать квартальные планы команды и отвечать за их реалистичность и стабильную сходимость. Разрабатывать и внедрять CI/CD для моделей, процессов код-ревью, тестирования и релизного цикла ML-артефактов. Представлять R&D-команды в рамках v-team, обеспечивать видимость и прозрачность деятельности R&D-команды, формировать технические требования и запросы к смежным командам (например, требования к данным и инфраструктуре). Разработка Вы станете отвечать за исследование и разработку SOTA-моделей для сценариев RAG (поиск, ранжирование), классификации (few-shot/zero-shot, guards) и памяти, а также их интеграцию в инфраструктуру инференса. Нас вас будет лежать прямая ответственность за метрики качества моделей, а также за производительность и стабильность бэкендов инференса (в том числе за логирование, мониторинги и покрытие кода тестами). Кроме того, вам предстоит лично участвовать в разработке: писать код (до 30¬–40% времени), проводить код-ревью, помогать с архитектурой и диагностикой проблем, готовить релизы моделей и бэкендов. Больше о том, что под капотом платформы Yandex Cloud, — в канале Inside Yandex Cloud Требования * Управляли ML-командой от одного года * Глубоко разбираетесь в современном ML (нейросети, трансформеры) с фокусом на NLP, Information Retrieval или Generative AI * Разрабатывали и выводили в продакшен ML-сервисы с высокими требованиями к надёжности и производительности * Уверенно владеете Python и PyTorch * Понимаете полный жизненный цикл ML-модели: от сбора требований и подготовки данных до эксплуатации в проде * Проактивны и способны самостоятельно формировать технический бэклог и roadmap, исходя из продуктовых целей Будет плюсом * Использовали опенсорс-проекты и контрибьютили в них (особенно в библиотеки для инференса, такие как TensorRT, TensorRT-LLM, vLLM, SGLang) * Работали с C++ и низкоуровневыми оптимизациями (CUDA) * Работали в распределенной команде * Умеете или хотите выступать на публике, писать технические статьи или вести блог, чтобы повышать внешнюю видимость команды и продукта

Workplace: Удалённый, Офис, Гибридный Плюс Фантех объединяет развлекательные сервисы Яндекса: Музыку, Кинопоиск, Книги и др. Мы — команда MediaAI — ищем сильного LLM‑разработчика. Вы будете отвечать за ключевое направление: ML‑интеграцию общего пользовательского профиля в продукты и AI‑агентов нашей экосистемы. Мы — команда MediaAI — ищем сильного LLM‑разработчика с опытом прикладных LLM‑систем для развития пользовательского профиля и LLM‑памяти сервисов Плюс Фантеха. Роль предполагает ответственность за ключевое направление: ML‑интеграцию общего пользовательского профиля в продукты и AI‑агентов нашей экосистемы. Ваши решения напрямую повлияют на то, как будет устроена персонализация сразу в нескольких сервисах. Обязанности Развивать сервис пользовательского профиля и LLM-памяти Вы будете проектировать и улучшать систему, которая хранит и извлекает пользовательский контекст. Это ключевой компонент для всех AI-агентов Плюс Фантеха: от рекомендаций до диалоговых сценариев. Улучшать качество запоминания и извлечения контекста Вам предстоит работать с embeddings, retrieval-механиками и промптами, чтобы система точнее понимала, что важно пользователю в данный момент. Проводить эксперименты с LLM и автоматическими метриками качества. Проектировать переиспользуемые механики интеграции Вы будете создавать механизмы, которые позволят разным продуктовым командам легко подключаться к профилю и памяти — без дублирования логики и с сохранением стабильности. Создавать автоматические оценки качества Вам предстоит разрабатывать и внедрять метрики и тесты для недетерминированных компонентов, чтобы можно было объективно оценивать, насколько хорошо система запоминает и извлекает информацию. Обеспечивать стабильность и безопасность Вы будете работать с производительностью, наблюдаемостью и безопасной обработкой пользовательских данных. Внедрять best practices асинхронной обработки и проектирования хранилищ. Больше об ML в Яндексе — в канале Yandex for ML Требования * Уверенно владеете Python * Имеете практический опыт интеграции с LLM * Понимаете embeddings, semantic search и RAG * Работали с базами данных и проектировали хранилища * Понимаете асинхронную обработку * Умеете тестировать недетерминированные компоненты и оценивать качество ML-функциональности * Способны самостоятельно разбираться в существующей системе и брать компонент в техническое владение Будет плюсом * Знаете Java * Имеете опыт разработки персонализации или рекомендательных систем * Знакомы с MCP и архитектурой LLM-агентов * Строили LLM-evaluation и проводили A/B-эксперименты * Работали с чувствительными пользовательскими данными

Location: Москва Workplace: Гибридный О компании МТС Web Services (MWS) — бигтех-компания, предоставляющая облачные, AI-сервисы и платформенные решения под разные задачи бизнеса: от работы с данными до разработки продуктов и оптимизации процессов. Платформа Поиска и Рекомендаций — один из ключевых юнитов MWS. В нашей работе — 20 петабайт данных, более 5 000 пользовательских метрик и задачи, связанные с персонализацией, поиском и рекомендациями для миллионов пользователей в разных сценариях — от контента до товаров и услуг. Мы ищем DS/ML-инженера, который хочет решать сложные ML-задачи и вместе с нами развивать поисковые и рекомендательные системы МТС. Обязанности Генерировать гипотезы по улучшению рекомендаций для роста бизнес-метрик клиентов; Превращать гипотезы в работающие ML модели; Катить модельки в прод и по итогам АВ-тестов формулировать новые гипотезы по улучшению рекомендаций; Ставить задачи data инженерам на доработки необходимых витрин, взаимодействовать с разработчиками для формирования пайплайнов поставки рекомендаций, совместно с аналитиками сетапить АВ-тесты Требования Коммерческий опыт в data science от 3-х лет; Опыт разработки и продуктивизации ML-сервисов (от моделек до api); Опыт внедрения ML-пайплайна в real-time сервисы; Опыт работы с docker, шедулерами (airflow или любой другой) и sql/nosql базами данных Условия Собственную платформу MTS Ocean для получения ИТ-ресурсов, а это значит, что деплой, мониторинг, observability — не будут для тебя проблемой, ты сможешь сосредоточиться на фичах; Профессиональные гильдии инженеров, где мы поддерживаем друг друга и помогаем стать лучше; Внутреннюю площадку TechTalks для обмена опытом, дискуссий, развития навыков самопрезентации; Участие во внешних IT конференциях. Мы выступаем на HighLoad++, DataFest, Mobius, Test Driven Conf, Joker, DevOps, Матемаркетинг и даже проводим собственную конференцию по архитектуре True Tech Arch; Полезные курсы и вебинары в корпоративном университете и электронную библиотеку; ДМС с первого месяца работы, включая стоматологию; Страхование от несчастных случаев с 1 месяца работы. Материальную помощь в сложных жизненных ситуациях; Отпуск 28 календарных дней (+3 дополнительных дня за ненормированный рабочий день); Гибридный формат работы; Прием врачей общей практики и массаж в офисе; Мобильная связь за счет компании и льготные тарифы для близких; Подписка на онлайн-кинотеатр KION, сервис МТС Музыка, книжный сервис Строки от МТС, безлимитные мессенджеры и соцсети.

Location: Москва Workplace: Удаленная работа О компании Команда выполняет следующие цели: - централизовать хостинг инфраструктуры, ML/DL/LLM - моделей уже готовых решений на уровне Блока Финансов и обеспечить их мониторинг - обеспечить компетенции для до-обучения / fine-tuning моделей под специфические задачи и данные финансовой функции - сформировать единый слой интеграций с ИТ-системами Блока Финансов для снижения Т2М новых ИИ-инициатив - реализовывать сквозные проекты с применением ML/DL/LLM, затрагивающие большое число процессов департаментов Обязанности Разрабатывать backend-сервисы на Python; Интегрировать LLM в существующие продукты компании; Разработка векторных баз данных и разметка дата-сетов для обучения моделей RAG-поиска; Работать с API, базами данных и внутренними сервисами; Создавать и поддерживать AI-функциональность в production, проектировать и оптимизировать модели данных, взаимодействовать с базами данных; Обеспечивать качество кода через code review, автоматизированное тестирование и соблюдение лучших инженерных практик; Совместно с DevOps-инженерами участвовать в развитии CI/CD-процессов, мониторинга и обеспечения отказоустойчивости сервисов; Разработка продакшен-пайплайнов обработки данных; Промпт-инжиниринг и написание эффективного и масштабируемого кода инференса моделей и экспериментов на GPU-кластере; Оптимизация кода по обработке больших массивов данных и атрибутивности для распознавания документов Требования Хорошее знание Python и ключевых фреймворков для работы с данными (PySpark, PyArrow, Pandas); Опыт работы с RAG, системами iDP (распознавание документов), агентскими системами; Опыт написания качественного production кода; Опыт написания промышленных пайплайнов обработки данных, содержащих множество шагов, зависимостей и сложную логику; Опыт использования Airflow (или другого industry-standard оркестраторов пайплайнов, т.к. Luigi, Dagster и т.д.); Хорошее понимание баз данных SQL / NoSQL; Глубокое понимание RAG-решений (чанкинг, эмбеддинги, реранжирование и т.д.) Условия Гибридный или полностью удалённый формат работы, с возможностью гибкого начала и окончания рабочего дня; Участие во внешних IT конференциях; Полезные курсы и вебинары в корпоративном университете и электронные библиотеки. А ещё: ДМС с первого месяца работы, включая стоматологию. А ещё оплачиваем 50% стоимости полиса ДМС для родственников; Мобильная связь за счёт компании и льготные тарифы для близких; Подписка на online-кинотеатр KION, сервис МТС Музыка, книжный сервис Строки от МТС, безлимитные мессенджеры и соцсети.

Location: Москва Workplace: Гибридный О компании МТС Web Services (MWS) — бигтех-компания, предоставляющая облачные, AI-сервисы и платформенные решения под разные задачи бизнеса: от работы с данными до разработки продуктов и оптимизации процессов. Также мы запустили новую публичную платформу собственной разработки — MWS Cloud Platform. Big Data – один из ключевых юнитов МТС. Сегодня Big Data – это: 20 петабайт данных, 5 000 метрик на профиль и 400 увлеченных профессионалов в команде. Один из ключевых юнитов в Big Data МТС - это платформа поиска и рекомендаций, которая использует всю мощь ML и "больших данных" для подбора наиболее релевантных айтемов для клиентов из каталогов МТС. Мы уже поставляем рекомендаций в онлайн-кинотеатр КИОН, в читалку «Строки», МТС Банк, сервисы по продаже билетов, интернет-магазин и другие продукты экосистемы МТС. Сейчас решаем задачи объединения рекомендательных движков в единую платформу, создания универсального поискового движка, realtime триггеров и масштабирования на все сервисы компании. Наш стек: Python, PyTorch, PySpark, Airflow, ClearML, FastApi, PostgreSQL, Aerospike, Kafka, Redis, Linux Обязанности Развивать персонализацию рекомендаций в KION и Строки; Генерировать гипотезы по улучшению рекомендаций для роста бизнес-метрик клиентов; Продуктивизировать гипотезы в работающие ML модели; Катить модели в прод и по итогам АВ-тестов формулировать новые гипотезы по улучшению рекомендаций; Ставить задачи data инженерам на доработки необходимых витрин, взаимодействовать с разработчиками для формирования пайплайнов поставки рекомендаций, совместно с аналитиками сетапить АВ-тесты Требования Коммерческий опыт в data science от 2-х лет (будет плюсом RecSys домен); Опыт разработки и продуктивизации ML-сервисов (от моделек до api); Опыт внедрения ML-пайплайна в real-time сервисы; Опыт работы с docker, шедулерами (airflow или любой другой) и sql/nosql базами данных; Будет плюсом опыт работы с трансформерными моделями (например, SasRec) Условия Собственную платформу MTS Ocean для получения ИТ-ресурсов, а это значит, что деплой, мониторинг, observability — не будут для тебя проблемой, ты сможешь сосредоточиться на фичах; Профессиональные гильдии инженеров, где мы поддерживаем друг друга и помогаем стать лучше; Внутреннюю площадку TechTalks для обмена опытом, дискуссий, развития навыков самопрезентации; Участие во внешних IT конференциях. Мы выступаем на HighLoad++, DataFest, Mobius, Test Driven Conf, Joker, DevOps, Матемаркетинг и даже проводим собственную конференцию по архитектуре True Tech Arch; Полезные курсы и вебинары в корпоративном университете и электронную библиотеку; ДМС с первого месяца работы, включая стоматологию; Страхование от несчастных случаев с 1 месяца работы. Материальную помощь в сложных жизненных ситуациях; Отпуск 28 календарных дней (+3 дополнительных дня за ненормированный рабочий день); Гибридный формат работы; Прием врачей общей практики и массаж в офисе; Мобильная связь за счет компании и льготные тарифы для близких; Подписка на онлайн-кинотеатр KION, сервис МТС Музыка, книжный сервис Строки от МТС, безлимитные мессенджеры и соцсети.