Вакансии

Задачи: — Руководство инженерной командой в приложении для знакомств с более чем 17 миллионами пользователей по всему миру. Требования: — Опыт разработки бэкенда не менее 8 лет в продакшн-среде; — Наличие реальной ответственности на уровне Director of Engineering, Head of Engineering или CTO в небольшой компании; — Обязательный опыт работы в стартапах; — Владение английским языком на уровне C1; — Кандидаты из России не рассматриваются. Условия: — Удалённая работа.

Задачи: — Разработка стратегии обучения и её реализация на рынках и фабриках с целью максимизации ROI для бизнеса; — Формирование и развитие портфеля обучающих продуктов, соответствующих текущим и будущим потребностям бизнеса и талантов компании, с обеспечением высокого качества, масштабируемости и измеримой эффективности; — Выстраивание партнерских отношений с бизнес-командами для понимания внутреннего контекста и отслеживания ключевых трендов на рынке труда и в области обучения; — Управление командой: создание четкой структуры, распределение обязанностей, развитие системы внутренней преемственности и поддержание профессиональных стандартов; — Оптимизация бюджета обучения и эффективная работа с внешними подрядчиками для поиска оптимальных решений. Требования: — Высшее образование; — Свободное владение английским языком; — Наличие портфеля успешных проектов в области обучения; — Отличное понимание бизнеса; — Опыт управления командой; — Стратегическое мышление, аналитический склад ума и навыки проектного управления; — Умение принимать взвешенные решения, управлять изменениями и находить практичные решения сложных задач; — Ориентация на партнерское взаимодействие, высокие стандарты работы и быстрое обучение новому. Условия: — Высокий совокупный доход, ежегодный пересмотр заработной платы и годовой бонус по итогам работы и бизнес-результатов компании; — Гибридный график работы с возможностью работать из офиса в Москва-Сити или из дома; — Бонус 39 000 рублей (до вычета НДФЛ) на обустройство рабочего места дома; — Офис с релакс комнатами, массажными креслами, капсулами для сна, йогой, настольными играми, бильярдом и другими активностями; — ДМС со стоматологией и аптечным обслуживанием на 10 000 рублей в год, чекапами и поддержкой по всей стране, а также компенсация 50% стоимости ДМС для супруга(-и) и детей; — Страхование жизни от несчастных случаев и критических заболеваний; — Участие в накопительной программе с пенсионными взносами от компании и удвоением добровольных взносов; — Гибкая система льгот для выбора программ по спорту, здоровью, путешествиям, обучению и другим услугам; — Доступ к психологической, юридической и финансовой консультации через внешних экспертов; — Разнообразные корпоративные мероприятия и спортивные команды по всей стране.

✔️Управление P&L бизнес-юнита: планирование выручки и бюджета развития, контроль затрат, unit-экономика, обеспечение выхода на прибыль и защита планов на уровне CEO/акционеров.

Location: Москва Мы развиваем GigaChat и ищем сильного руководителя направления RL Efficiency. Это роль для человека, который возьмёт на себя эффективность всего RL-контура: обучающий цикл, rollout, reward-сигналы, взаимодействие с инференсом и инфраструктура под онлайн-эксперименты. Цель направления — сделать так, чтобы online RL / RLHF / RLVR обучение GigaChat было максимально быстрым, стабильным и дешёвым: сократить time-to-feedback по экспериментам, поднять утилизацию кластера и упростить запуск новых RL-рецептов на масштабе. Обязанности Развивать направление RL Efficiency целиком •  Определять, как должно развиваться направление эффективности RL: какие места критичны на данный момент, как измерять прогресс и что в первую очередь ограничивает скорость экспериментов. •  Вести направление целиком: от постановки гипотез и плана работ до внедрения результатов в регулярный цикл обучения. •  Принимать решения о приоритетах между ускорением rollout, оптимизацией обучающего цикла, инфраструктурой и системой оценки качества. Ускорять цикл online RL •  Оптимизировать пайплайн online RL: генерация rollout'ов, сбор reward-сигналов, обновление весов модели, overlap этапов. •  Выстраивать эффективное взаимодействие между обучающим контуром и инференс-движком (vLLM / SGLang / собственные решения), добиваясь высокой утилизации и низкой задержки. •  Работать с весами и KV-cache: быстрое обновление весов между итерациями, снижение overhead синхронизаций, оптимизация памяти. •  Повышать стабильность больших RL-прогонов: контроль деградаций, автоматическое восстановление, диагностика сбоев. Развивать инфраструктуру под RL-эксперименты •  Развивать фреймворк обучения, поддерживающий RLHF / RLVR / PPO / GRPO / DPO и их вариации на масштабе. •  Делать так, чтобы новые RL-рецепты можно было быстро и безопасно запускать на больших моделях без ручной поддержки для каждого эксперимента. •  Обеспечивать воспроизводимость RL-экспериментов: версионирование данных, конфигов, чекпоинтов, reward-моделей. Писать ключевой код и оставаться сильным инженером •  Самостоятельно писать и дорабатывать критичные части RL-пайплайна. •  Профилировать обучение на всех уровнях стека и находить узкие места в rollout, обучении и коммуникациях. •  Оставаться сильным инженером и исследователем, а не только руководителем: при необходимости самому разбирать узкие места в коде, экспериментах и взаимодействии с hardware. Руководить сильной технической командой •  Руководить командой инженеров по эффективности RL, задавать высокую планку по качеству решений и перфу. •  Помогать команде превращать исследовательские идеи в работающие решения, которые можно встроить в основной цикл RL-обучения. •  Удерживать баланс между глубиной оптимизаций, инженерной надёжностью и практическим результатом для модели. Требования •  Отличное владение Python и PyTorch (DDP/FSDP, distributed training). •  Практический опыт с обучением LLM и понимание механики RL post-training: RLHF, RLVR, PPO / GRPO / DPO. •  Опыт оптимизации обучения и инференса LLM: профилирование, узкие места, параллелизм, mixed precision. •  Понимание архитектуры LLM: Transformer, attention (MHA/GQA/MLA), MoE и их влияние на rollout. •  Способность самостоятельно взять направление и довести его до результата: от постановки задач до внедрения в продакшн-RL. •  Опыт руководства сильной технической командой и готовность лично писать важные части системы руками. Будет плюсом •  Опыт работы с современными RL-стэками: verl, TRL или собственные решения. •  Опыт работы с large-scale inference (vLLM, SGLang, TRT-LLM) и оптимизацией генерации. •  Опыт написания CUDA / Triton ядер и понимание особенностей NVIDIA GPU. •  Понимание коммуникационного стека больших обучений: NCCL, NVSHMEM, RDMA/IB. •  Опыт работы с кластерными системами: Slurm, Kubernetes, Ray или собственные оркестраторы. •  Публикации, open-source вклад или сильный прикладной research track record. Условия •  Сильные и сложные задачи на переднем крае развития русскоязычных LLM. •  Большую степень влияния на архитектуру решений, методы обучения и качество итоговой модели. •  Команду сильных инженеров и исследователей. •  Возможность совмещать управление направлением с глубокой технической работой. •  Конкурентную компенсацию, премии и расширенный соцпакет.

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

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

Location: Москва Мы развиваем GigaChat — самый быстрорастущий AI-проект Сбера — и ищем сильного руководителя направления безопасности ИИ. Нашими моделями пользуются миллионы людей, и наша задача делать LLM безопасной — чтобы ее просто так нельзя было уболтать продать ваш Chevrolet за 1 рубль. А ещё, помимо безопасности, наша команда развивает GigaEmbeddings — эмбеддер, который больше года удерживает топ-1 по качеству среди русскоязычных моделей на лидерборде ruMTEB. Это роль для технического лидера, который возглавит направление: от обучения быстрых guard-моделей и online-RL до систематического редтиминга, аналитики атак на реальном трафике и развития лучших русскоязычных эмбеддеров. Обязанности Улучшать модели-защиты • Обучать компактные и быстрые классификаторы входящих и исходящих сообщений: дистилляция, работа в жёстком бюджете latency, не деградируя качество основной модели. • Развивать online-RL контур: дообучать защиты и модель на свежих атаках и сигналах с продакшена, сокращая цикл от обнаружения новой атаки до устойчивости к ней. • Балансировать метрики защит: пропущенные нарушения против ложных срабатываний, и держать оба показателя под контролем на масштабе. • Выстроить систематический red teaming: ручной и автоматизированный поиск джейлбрейков, prompt injection, обходов защит — перед каждым релизом и постоянно на живых моделях и продакшен-логах. Улучшать эмбеддеры • Развивать GigaEmbeddings: подбор и синтез данных, contrastive learning, hard negatives, дистилляция в компактные версии — удерживая топ-1 на ruMTEB. • Применять эмбеддеры в задачах безопасности: кластеризация атак и поиск аномалий в пользовательских логах, отслеживание эволюции техник обхода. • Собирать из продакшен-данных датасеты, и целевые тестовые наборы под конкретные кейсы: например, рефразы или ранжирование. • Быстро отвечать данными на вопрос «почему защиту пробили и что именно сломалось» и превращать разборы инцидентов в улучшения моделей. Требования • Отличное владение Python и PyTorch, практический опыт обучения моделей — классификаторов и LLM, а не только их использования. • Опыт с RL-методами дообучения (RLHF/DPO/online-RL) или готовность быстро в них погрузиться на практическом уровне. • Умение работать с продакшен-данными и обучать классификаторы: вытащить сигнал из логов, собрать датасет, посчитать метрики и понять, где разница значима, а где — шум.• Опыт обучения guard-моделей (Llama Guard и аналоги) или построения модерационных систем под высокой нагрузкой. • Опыт обучения эмбеддеров или ретриверов и знакомство с бенчмарками MTEB/ruMTEB. • Опыт автоматизированного red teaming и знакомство с профильной литературой по adversarial robustness. • Опыт в командах безопасности разработчиков моделей; публикации или open-source вклад в области AI safety. Условия • Возможность развивать GigaEmbeddings — лучший русскоязычный эмбеддер, больше года удерживающий топ-1 на ruMTEB. • Команду сильных инженеров и исследователей. • Возможность совмещать управление направлением с глубокой технической работой. • Конкурентную компенсацию, премии и расширенный соцпакет.

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

Организация привлечения, подключения, активации и развития реферального канала. Контроль выполнения плана продаж по новым активным клиентам, объёму партнёрского потока, конверсии, воронке и качеству клиентского пути.

• Построить систему привлечения качественных лидов на вводные уроки и масштабировать её; • Управлять рекламным бюджетом от 5 млн ₽/мес, перераспределяя его между каналами;

• Использование платформенных сервисов безопасности облака; • Формирование и внедрение secure-by-default настроек для используемых облачных сервисов;

Задачи: — Провести аудит текущих процессов в направлениях Motion и Static Design, выявить возможности для автоматизации и ускорения работы — Разработать и внедрить стратегию перехода дизайн-отдела на AI-инструменты — Использовать искусственный интеллект для генерации изображений и видео, автоматизации рутинных задач и промпт-инжиниринга — Реорганизовать работу отдела, распределить роли и зоны ответственности, выстроить пайплайны создания материалов и контроль качества — Развивать культуру экспериментов и непрерывного обучения внутри команды — Оптимизировать создание маркетинговых материалов: рекламных креативов, баннеров, видео и промо Требования: — Подтвержденный опыт реорганизации дизайн-отдела с внедрением AI-инструментов — Опыт управления дизайн-командой не менее 2 лет — Знание специфики Motion и Static Design для маркетинга — Глубокое понимание современных AI-инструментов для дизайна и их ограничений — Аналитическое мышление и ориентация на измеримые результаты Будет плюсом: — Опыт работы в iGaming — Навыки промпт-инжиниринга — Опыт работы в маркетинговых агентствах или маркетинговых отделах Условия: — Полностью удаленный формат работы с привязкой к часовому поясу GMT+3 — Возможность полностью перестроить дизайн-отдел и влиять на формирование команды — Конкурентная заработная плата по итогам собеседования

конкурентный анализ сервисов/продуктов/ценовых акций/каналов. сравнительный анализ внутренних процессов, выявление зон улучшений для формирования сервисной стратегии.

- Формировать продуктовую стратегию B2C: переводить цели компании в North Star и портфель возможностей.

• Подключение бизнеса к проекту.

• Развивать действующих партнёров и партнёрскую сеть и инструменты стимулирования продаж. • Планировать и прогнозировать партнёрские продажи, управлять воронкой и коммерческими показателями.

• Человек, который уверенно держит в руках и операционку, и стройку. • Опыт управления складом / комплексом — обязательно.

• Управлять бухгалтерским и налоговым учётом нескольких юрлиц и ИП на ОСНО и УСН, включая производство, маркетплейсы и розничные сети.