Вакансии

Общие обязанности: — Руководство распределенной командой — Постановка задач, распределение ролей и контроль выполнения работ в соответствии с установленными сроками — Проведение ревью кода и архитектурных решений, обеспечение высокого качества разрабатываемых решений — Разработка и внедрение стандартов и практик кодирования, а также методик тестирования — Ведение проектов от идеи до внедрения, включая исследование, архитектуру, разработку, деплой и мониторинг — Сотрудничество с бизнес-аналитиками и заказчиками для понимания бизнес-задач и их перевода в технические решения — Определение технической стратегии и архитектуры проектов на основе современных технологий в области ИИ и МЛ — Исследование новых технологий и инструментов для улучшения процессов разработки и повышения эффективности работы команды Требования: — Опыт: от 5+ лет в AI/ML, из них не менее 3 лет — в роли тимлида — Образование: высшее техническое (информатика, ИИ, прикладная математика, кибербезопасность) — Уровень: senior/lead ML engineer + опыт управленца (Tech Lead / AI Team Lead) — Владение английским: не ниже B2–C1 (техническая и деловая переписка, чтение научных статей) — Способность вести проекты от идеи до внедрения, включая исследование, архитектуру, разработку, деплой и мониторинг — Управленческие компетенции: управление распределённой командой, постановка задач, контроль качества, ревью кода, архитектурные решения — Взаимодействие с бизнесом, аналитиками и заказчиком, умение переводить бизнес-задачи в технические решения — Менторство и развитие команды Условия: — Локация сотрудника не в РФ — Удаленный формат работы из любой точки мира — График с 10.00 до 19.00 по мск — Конкурентная заработанная плата — Выплаты два раза в месяц — Отпуск 28 календарных дней.

Задачи: — Работать с профессиональными базами данных и хранилищами данных, разрабатывать и оптимизировать SQL-запросы; — Использовать Python для анализа данных, автоматизации процессов и решения прикладных задач; — Решать задачи классификации, детектирования и сегментации, а также оценивать качество моделей с помощью ключевых метрик машинного обучения.

Ищем ML-разработчика, который будет улучшать качество претрейна Alice AI LLM — направление, отвечающее за умность базовой модели и качество данных. Задачи: — Эксперименты с претрейн-моделями: ставить и анализировать вычислительно тяжёлые эксперименты с претрейн-стадией, проверять гипотезы об источниках прироста ризонинг-способностей, постановка и выбор сетапа эксперимента. — Пайплайны данных: строить эффективные пайплайны сбора, синтеза, обработки и фильтрации обучающих данных в новых доменах, масштабировать и оптимизировать их. — Изменение процесса обучения: модифицировать процесс обучения модели для улучшения ризонинга, внедрять изменения в обучающий пайплайн и оценивать их влияние. — Экспертные модели: обучать модели-верификаторы для проверки качества данных и ответов, модели для генерации обучающих данных SOTA в узком домене, модели-фильтры для отсева некачественных данных. — Исследование скейлинга: исследовать законы скейлинга качества модели с точки зрения данных и вычислений, определять влияние масштабирования на рост рассуждающих способностей в разных доменах. Требования: — Глубокое понимание NLP. — Знание Python и опыт разработки на нём. Будет плюсом: — Опыт обучения претрейн-моделей в любой из модальностей (NLP, CV, звук, рекомендации). — Опыт построения эффективных CPU/GPU-пайплайнов. — Погружение в области исследования языковых моделей (RL, архитектуры или данные для LLM).

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. 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 * руководить сильной технической командой * руководить командой исследователей и инженеров, работающих над архитектурой, задавать высокую планку по качеству решений, скорости работы и глубине проработки * Паомогать 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. Условия * возможность выбрать удобный формат работы: гибрид или офис * ежегодный пересмотр зарплаты, годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * ипотека выгоднее до 7% для каждого сотрудника * бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров * вознаграждение за рекомендацию друзей в команду Сбера.

Location: Paris; Zurich; Warsaw; London ABOUT MISTRAL Mistral provides full-stack AI solutions: from frontier models to developer tools, applications, and compute. We partner with enterprises tackling the hardest problems across high-stakes industries like finance, manufacturing, defense, healthcare, and the public sector, co-creating customized AI systems that they can run on their terms. We are a dynamic, collaborative team passionate about AI and its potential to transform society. Our diverse workforce thrives in competitive environments and is committed to driving innovation. Our teams are distributed between Europe, North America, Asia and the Middle East. We are creative, low-ego and team-spirited. ABOUT THE RESEARCH ENGINEERING TEAM   The team spans Platform (shared infra & clean code) and Embedded (inside research squads). Engineers can move along the research↔production spectrum as needs or interests evolve.   As a Research Engineer – ML track, you’ll build and optimise the large-scale learning systems that power our open-weight models. Working hand-in-hand with Research Scientists, you’ll either join:   - Platform RE Team: Enhance the shared training framework, data pipelines and cluster tooling used by every team; or - Embedded RE Team: Sit inside a research squad (Alignment, Pre-training, Multimodal, Safety …) and turn fresh ideas into repeatable, scalable code.     What You Will Do   • Accelerate researchers by taking on the heavy parts of large-scale ML pipelines and building robust tools. • Interface cutting-edge research with production: integrate checkpoints, streamline evaluation, and expose APIs. • Design, implement and benchmark ML algorithms; write clear, efficient code in Python. • Deliver prototypes that become production-grade components for Vibe and our enterprise API.   What We're Looking For   • Master’s or PhD in Computer Science (or equivalent proven track record). • 4 + years working on large-scale ML codebases. • Hands-on with PyTorch, JAX or TensorFlow; comfortable with distributed training (DeepSpeed / FSDP / SLURM / K8s). • Experience in deep learning, NLP or LLMs; bonus for CUDA or data-pipeline chops. • Strong software-design instincts: testing, code review, CI/CD. • Self-starter, low-ego, collaborative.   WHAT WE OFFER We offer a comprehensive benefits package designed to support your well-being, growth, and work-life balance. Benefits vary by country and may include healthcare coverage, parental leave, retirement plans, relocation support, wellness programs, meal and transportation allowances, and other location-specific perks. For the most up-to-date details on benefits available in your location, please refer to our Benefits page https://app.notion.com/p/mistralai/Benefits-at-Mistral-36e6ba59a7fe836b93dd01737fcc27ef?source=copy_link. PRIVACY POLICY Your privacy matters to us. You can learn more about how we handle your personal data in our Applicant Privacy Policy https://legal.mistral.ai/terms/applicant-privacy-policy.

Location: Bulgaria, Hungary, Poland Why Join Exadel We’re an AI-first global tech company with 25+ years of engineering leadership, 2,000+ team members, and 500+ active projects powering Fortune 500 clients, including HBO, Microsoft, Google, and Starbucks. From AI platforms to digital transformation, we partner with enterprise leaders to build what’s next. What powers it all? Our people are ambitious, collaborative, and constantly evolving. About the Client The leading provider of vehicle lifecycle solutions, with headquarters in Chicago, enables the companies that build, insure, and replace vehicles to power the next generation of transportation. Its platform delivers advanced mobile, artificial intelligence, and car technologies. It connects a network of 350+ insurance companies, 24,000+ repair facilities, hundreds of parts suppliers, and dozens of third-party data and service providers. The customer's collective solutions enhance productivity and help clients deliver better experiences for end consumers. What You’ll Do Design and implement end-to-end document intelligence pipelines on AWS Develop and optimize ML models for document classification, segmentation, and field extraction Build scalable data processing systems handling PDFs up to 2000 pages Collaborate with subject matter experts to create and refine requirements for extraction Own features from research through production deployment and monitoring Establish evaluation frameworks and quality metrics for extraction accuracy What You Bring Advanced knowledge of Python (native, Pandas, ScikitLearn, Tensorflow or Pytorch, PyStats, Pydantic) Experience with AWS tools for ML Engineering and ML deployment (Sagemaker, Lambda, Cloudformation/CDK, Step Functions) Advanced knowledge of SQL and Data Modeling Experience with GenAI for document intelligence, including prompt engineering, RAG (Retrieval Augmented Generation), multi-modal models (vision + text), and production deployment using AWS Bedrock or Azure OpenAI APIs Experience in experiment design (power analysis and hypothesis testing) Proficiency in both written and verbal communication, required for a remote and largely asynchronous work environment Demonstrated capacity to clearly and concisely communicate complex technical problems and propose iterative solutions Experience owning a feature from concept to production, including proposal, discussion, and execution Nice to have Experience with document processing tools (AWS Textract, Azure Document Intelligence, or similar OCR/layout detection systems) Experience with PDF and Image processing libraries (e.g. PyMuPDF, opnecv, pillow) Experience in Machine Learning/ Data Science (e.g., ML algorithm selection, feature engineering, model training, hyperparameter tuning, supervised and unsupervised learning implementation, building a model pipelines, using Machine Learning tools/libraries/frameworks) Experience working with AWS big data technologies (Redshift, S3, EMR, Glue, etc.) English Level Upper-intermediate Legal & Hiring Information Exadel is proud to be an Equal Opportunity Employer committed to inclusion across minority, gender identity, sexual orientation, disability, age, and more. Reasonable accommodations are available to enable individuals with disabilities to perform essential functions. Please note: this job description is not exhaustive. Duties and responsibilities may evolve based on business needs. Compensation details are shared with candidates at the early stage of the recruitment process. The offer is not binding until a signed contract is in place. Your Benefits at Exadel Exadel benefits vary by location and contract type. Your recruiter will fill you in on the details. International projects In-office, hybrid, or remote flexibility Medical healthcare Recognition program Ongoing learning & reimbursement Well-being program Team events & local benefits Sports compensation Referral bonuses Top-tier equipment provision Exadel Culture We lead with trust, respect, and purpose. We believe in open dialogue, creative freedom, and mentorship that helps you grow, lead, and make a real difference. Ours is a culture where ideas are challenged, voices are heard, and your impact matters.

Задачи: — проектировать ML-системы для ценообразования, промоаллокации и прогнозирования спроса — анализировать эксперименты — встраивать модели в продукт

Про нас: В нашей ML-команде сейчас 5 человек. Мы работаем над: • AI-агентом для работы с облачным хранилищем и документами; • сервисом извлечения данных из контрактов и счетов; • RAG-базой знаний по Fileforce для клиентов; • системой поиска аномалий в пользовательских логах. В разработке активно используем современные AI-инструменты и кодинговые агенты (Claude Code, Codex) Задачи: • Разрабатывать новые и поддерживать/улучшать существующие проекты (backend+ML+участие в деплое), а также улучшать мониторинг и аналитику запущенных проектов Требования: • высшее техническое образование (диплом потребуется для оформления японской рабочей визы) • 3+ года опыта в Machine Learning; • опыт самостоятельного ведения проектов; • опыт с agentic/RAG-системами будет большим плюсом; • опыт разработки с помощью кодинговых агентов; • интерес к новым AI-технологиям и готовность постоянно разбираться в новых подходах; • английский на уровне свободного чтения технической документации • релевантный опыт с частью стека и способность быстро осваивать новое: LangGraph, DeepAgents, FastAPI, PostgreSQL, ClickHouse, Docker, vLLM, OpenAI API, AWS S3, Langfuse, OpenTelemetry, MCP, Redis, AWS SQS. Ответы на 10 важных вопросов: 1. Данные: работа преимущественно с данными (файлами различных форматов) компаний из хранилища через внутреннее API, AWS S3, Elasticsearch 2. Железо: на текущий момент преимущественно AWS инфраструктура, аренда VM под проекты и доступ к моделям по API. При экономической эффективности - собственное развертывание. Для работы: ПК в офисе, подключение к AWS VM по ssh, простой ноутбук для удаленной работы 3. Масштаб влияния на core-бизнес? Сейчас в компании упор на ML проекты, поскольку наша команда отвечает за все ML проекты, то влияние и высокие ожидания от проектов у руководства. 4. Уровень развития Data Science в компании? Запущено несколько крупных проектов, настроена основная инфраструктура/пайплайны (разработка, интеграция с внутренними сервисами, мониторинг, базовая аналитика, практика работы с кодинговыми агентами и тд), при этом улучшение процессов и вовлечения ML проектов в процессы компании продолжается. 5. Роль дата сайентиста: ДС-ы участвуют в проработке и реализации полного цикла проектов/фичей совместно с бэкенд и фронтенд командами 6. Бэкграунд у вашего руководителя? linkedin https://www.linkedin.com/in/nikita-vasilenko-ds/ 7. Как часто вам будут мешать работать? Daily meetings 15-20 мин + обсуждения прогресса/фичей внутри команды по мере необходимости 8. Карьерный рост: рост по зп возможен в рамках ежегодного планирования бюджета 9. Prod/Research: Prod 90% 10. Функция сервиса или лидера? На данном этапе сервисных функций больше.

Задачи: — Строить сложные reward-функции, экспериментировать с масштабируемыми reward-функциями, учитывать разные особенности и элементы ответов, решать вопросы качества и скорости обучения, бороться с reward hacking. — Развивать базовую умность модели, понимать сцену на изображении (электрические схемы, геометрические рисунки) и знать графические концепты. — Создавать новые датасеты, разрабатывать многоступенчатые пайплайны для мультимодальных датасетов, учитывающие разнообразие и сложность тематик. Требования: — Гореть темой больших мультимодальных или языковых моделей, иметь опыт их обучения. — Хорошо знать NLP и CV, следить за трендами в LLM и VLM. — Уметь решать ML-задачи полного цикла: от сбора разметки до внедрения в продакшен. Условия: — Ежегодные медицинские чекапы, йога и психотерапия. — Другие бонусы, полный список доступен по ссылке https://yandex.ru/jobs/pages/benefits.

Задачи: — Разработка генеративных ИИ-моделей для синтеза визуального и проектного контента на основе структурированных данных товарного каталога в рамках проверки гипотез (PoC) внутри корпоративной платформы по оценке ИИ-инициатив — Разработка архитектуры агентов: управление состоянием диалога и контекстом, динамический выбор инструментов (tool calling), настройка уровней автономности и сценариев human-in-the-loop — Построение системы метрик: разработка офлайн- и онлайн-показателей, кросс-валидация, прямая оценка бизнес-эффекта — Непрерывный мониторинг дрейфа моделей и качества данных в продакшене — Построение пайплайнов оценки (LLM Evals): контроль галлюцинаций, релевантности ответов и мониторинг поведения системы — Обеспечение безопасности: защита от prompt injection, предотвращение утечек персональных данных (PII/privacy) и аудит прав доступа агента — Оценка стоимости, latency и масштабируемости LLM-решений Требования: — Глубокое понимание жизненного цикла ML-модели: от подготовки признаков до интерпретации результатов — Знание методов борьбы с переобучением, data leakage, регуляризации — Уверенный выбор алгоритмов под задачу — Владение матстатистикой для проверки гипотез, расчета доверительных интервалов и самостоятельного дизайна A/B-тестов — Опыт работы хотя бы в одном из направлений: классическое машинное обучение, временные ряды и прогнозирование — Языки и библиотеки: Python (pandas/polars, NumPy, scikit-learn, CatBoost/XGBoost/LightGBM, PyTorch), продвинутый SQL — Написание поддерживаемого production-кода: модульная архитектура, юнит-тесты, логирование, документация, работа с GitFlow и код-ревью — Практический опыт работы с API языковых моделей, платформой Hugging Face и orchestration-фреймворками — Опыт работы в e-commerce, retail или других продуктовых highload-системах — Инфраструктура и оркестрация: Airflow, MLflow, Kafka, Redis, Kubernetes — Мониторинг и наблюдаемость: Prometheus, Grafana, OpenTelemetry — Опыт эксплуатации GPU-инфраструктуры и оптимизации inference — Адаптация моделей через fine-tuning (LoRA/PEFT) — Опыт проектирования agentic workflows или multi-agent-систем — Понимание принципов информационной безопасности, privacy и работы с персональными данными

Задачи: — Ключевое влияние на продукт: проектирование и развитие пайплайнов оценки качества всех компонент AI-чата на базе LLM-моделей и агентских систем. — Разработка мультиязычных моделей и адаптация решений под особенности разных стран для международных рынков. — Масштабирование решений и запуск AI-чата в новой стране за две недели. — Совместная работа с продуктовой и технической командами, взаимодействие с продакт-менеджерами и участие в продуктовых решениях. Требования: — Применение методов анализа данных и ML. — Владение Python и SQL. — Желание заниматься ML, NLP и аналитикой. — Умение делать выводы на основе данных. Условия: — Ежегодные медицинские чекапы, йога и психотерапия для предотвращения тревожности и выгорания.

About this role As the Senior Staff Machine Learning Platform Engineer, you will own the technical vision and evolution of Faire’s ML platform. You will set standards, influence org-wide architecture, and lead complex, cross-functional initiatives that unlock data science velocity at scale. This role will also be key to adapting ML workflows to take advantage of modern AI productivity tools. You won’t just build models, you will architect the systems that allow those models to help tens of thousands of small retailers compete and grow their local businesses. What You Will Do: — Define and drive the long-term architecture of Faire’s ML platform including training, inference, feature management, governance — Establish company-wide standards for code quality, testing, MLOps (CI/CD), experimentation, model lifecycle management, and observability — Lead adoption and advanced use of Unity Catalog, multi-workspace strategies, and data/ML mesh patterns — Architect highly scalable ML workflows using Spark, Delta Lake, and MLflow — Optimize performance, reliability, and cost of the ML platform — Evaluate and integrate emerging Databricks features — Stay ahead of the curve by engaging with the latest developments in machine learning and AI — Serve as senior ML technical advisor to Faire’s data science and production engineering teams — Represent Faire at ML conferences and meetups — Mentor ML engineers and raise the overall bar for Machine Learning at Faire What it takes: — 10-12 years of experience building and improving large-scale ML or data platforms — A degree (preferably graduate level) in Computer Science, Engineering, Statistics, or a related technical field — Deep expertise in Databricks lakehouse architecture, including governance via Unity catalog, orchestration via Workflows, and cost optimization — Proven ability to design systems that support multiple data science teams and production workloads — Strong background in distributed systems, ML infrastructure, and cloud architecture — Demonstrated technical leadership across teams and orgs; ability to influence without authority — Experience integrating LLM workflows into enterprise platforms is a plus — Previous contributions to open source ML Infrastructure projects or research publications is a very strong plus Tech Stack: Faire uses a modern cloud based tech stack. For this role, you’ll want to be proficient with the following: — Languages: Python, SQL, Kotlin — ML Frameworks: PyTorch, PySpark, MLFlow — Big Data & Processing: Spark, Kafka, Databricks, Snowflake, Fivetran, Iceberg, Unity Catalog, Datadog, Airflow, Cockroach DB, MySQL — Cloud & Infrastructure: AWS, S3, SageMaker, Kubernetes, Docker, GitHub Actions, Terraform — Generative AI: Claude Sonnet 4.5, ChatGPT 5.2 Conditions: Hybrid work format with office presence 3 days per week (Tuesdays, Thursdays, and a flex day) and flexibility to work remotely up to 4 weeks per year. Remote work possible for candidates located in Ontario, Canada. Salary Range: $248,000 to $341,000 per year, eligible for equity and benefits. Actual base pay depends on skills, experience, market demands, and location. Base pay range subject to change.

Задачи: — Эксперименты с претрейн-моделями: ставить и анализировать вычислительно тяжёлые эксперименты с претрейн-стадией, проверять гипотезы об источниках прироста ризонинг-способностей внутри различных срезов умности, постановка и выбор сетапа эксперимента — творческий этап. — Пайплайны данных: строить эффективные пайплайны сбора обучающих данных, их синтеза, обработки и фильтрации в новых доменах, масштабировать пайплайны, делать их более эффективными. — Изменение обучения: модифицировать обучение модели для улучшения ризонинга, внедрять изменения в обучающий пайплайн и оценивать их влияние на качество. — Экспертные модели: обучать модели-верификаторы для проверки качества данных и ответов; модели для генерации обучающих данных — SOTA в своём узком домене; модели-фильтры для отсева некачественных данных. — Исследование скейлинга: исследовать законы скейлинга качества модели с точки зрения данных и вычислений, определять, как масштабирование влияет на рост рассуждающих способностей. Требования: — Глубокое понимание NLP. — Знание Python и опыт разработки на нём. Условия: — В крупных офисах есть спортзалы с тренажёрами, инвентарём и душевыми. — Полный список бонусов доступен по ссылке https://yandex.ru/jobs/pages/benefits.

Задачи: - Разрабатывать, обучать и оптимизировать ML/AI-модели на PyTorch или TensorFlow - Проектировать end-to-end пайплайны обработки и подготовки данных - Работать с синтетическими данными и автоматизацией разметки - Интегрировать AI/ML-модели с backend и другими компонентами продукта - Подготавливать модели к production-деплою и масштабированию - Настраивать процессы мониторинга, версионирования и экспериментов с использованием MLOps-инструментов - Контейнеризировать ML-процессы с помощью Docker - Работать с облачной инфраструктурой AWS или аналогами - Участвовать в оптимизации inference и производительности моделей - Взаимодействовать с инженерами и другими участниками AI-команды на всех этапах разработки - Определять техническое направление AI-проектов, принимать ключевые архитектурные решения и обеспечивать техническое руководство командой на всех этапах разработки. Требования: - Опыт 4+ года коммерческого опыта в Machine Learning / AI Engineering - Практический опыт разработки и внедрения ML-моделей в production - Английский (свободный) - Уверенное понимание основ Machine Learning и Deep Learning - Знание методов оптимизации моделей и ключевых ML-метрик - Практический опыт с MLOps (MLflow/Kubeflow/AWS SageMaker или аналогичные) Условия: - Формат: Full-time - Локация: Ташкент (Офис) - Официальное трудоустройство по ТК УЗ - Занятость: полный рабочий день

Задачи: — Дистрибуция страховых продуктов: развивать модели отбора пользователей для страховых продуктов, улучшать дистрибуцию ОСАГО и КАСКО, переносить подход на новые продукты. Работа включает формулирование продуктовых гипотез, поиск релевантных сигналов в сервисах Яндекса, построение интерпретируемых моделей и проверку качества отбора в продуктовых экспериментах. — Риск-скоринг: развивать модели оценки страхового риска для КАСКО, ОСАГО и других продуктов. Основные сложности — небольшое количество подтверждённых страховых случаев, неполная разметка и необходимость проверки сигналов на независимых источниках данных. Улучшать признаки и валидацию, следить за качеством решений и адаптировать подход к новым продуктам. — Данные и ML-пайплайны: договариваться с командами — владельцами источников, собирать выборки и признаки, проверять их покрытие и качество, добавлять новые блоки в пайплайны и анализировать результаты A/B-тестов. Требования: — Уверенное владение Python и SQL. — Хорошая база в классическом машинном обучении, опыт работы с табличными данными. — Понимание принципов корректной валидации, временных разбиений и возможных утечек. — Умение самостоятельно вести ограниченный исследовательский или продуктовый трек: от постановки гипотезы до выводов и следующего шага. — Готовность работать с неполными данными и неоднозначными таргетами. — Способность понятно объяснять продуктовой команде логику модели, допущения и ограничения. — Критическое отношение к данным, метрикам и результатам.

Location: Москва Мы - команда инференса GigaChat. Всё, что модель отвечает пользователю, проходит через наш движок - и наша работа в том, чтобы это происходило быстро, дёшево и не падало никогда.У нас нет опции «подождём, пока это появится в vLLM». GigaChat - это свои архитектуры и свои мультимодальные модели, и когда исследователи приносят новую архитектуру, именно мы делаем так, чтобы она летала на проде: пишем ядра, придумываем, как разложить её по GPU, выжимаем токены в секунду там, где, казалось бы, выжимать уже нечего.Это работа, где результат меряется в миллисекундах и мегаваттах: каждый процент ускорения - это тысячи GPU-часов и реальные деньги. И где между «прочитал свежую статью» и «это крутится на проде под нагрузкой» проходят недели, а не годы. Обязанности Чем предстоит заниматься: * Заставлять новые архитектуры GigaChat (включая мультимодальные) работать на проде быстро * Ускорять всё, что можно ускорить: кастомные CUDA-ядра, квантизация, speculative decoding, оптимизации KV-cache, continuous batching — и то, чему ещё нет устоявшегося названия * Придумывать, как разложить большую модель по GPU и по кластеру так, чтобы ни один FLOPS не простаивал: тензорный/пайплайн-параллелизм, disaggregated prefill/decode, шедулинг запросов * Профилировать честно и глубоко: находить, куда на самом деле уходят миллисекунды — в ядре, в раскладке памяти, в сети или в планировщике — и убирать это * Держать прод: движок, через который проходят все запросы к GigaChat, должен успешно переживать абсолютно всё * Читать свежие статьи и код лучших движков (vLLM, SGLang, TensorRT-LLM) не как пользователь, а как конкурент: понимать, что у них хорошо, и делать у себя лучше — с поправкой на наши архитектуры Требования * опыт работы в области глубокого обучения, в том числе с LLM * глубокое знание CUDA и Python * опыт использования GigaChat, Kandinsky и аналогов в продуктах * навыки создания и использования AI-агентов. Условия * комфортный современный офис рядом с м. Кутузовская * возможность выбрать удобный график – офис/гибрид/удаленка (в РФ) * годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * ипотека для сотрудников по дисконтной прогамме * бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров * вознаграждение за рекомендацию друзей в команду Сбера.

Общие требования: • Опыт: от 5+ лет в AI/ML, из них не менее 3 лет — в роли тимлида; • Уровень: senior/lead ML engineer + опыт управленца (Tech Lead / AI Team Lead); • Способность вести проекты от идеи до внедрения, включая исследование, архитектуру, разработку, деплой и мониторинг. • Управление распределённой командой. Глубокие технические компетенции: 1. Распознавание финансовых документов (Document AI) 2. Vision-Language Models (VLM) 3. Разработка чат-ботов и интеллектуальных агентов 4. OSINT и глобальный поиск 5. Работа с веб-сайтами через Computer User Agent 6. Разработка локальных переводчиков Условия: Локация сотрудника не в РФ Удаленный формат работы из любой точки мира График с 10.00 до 19.00 по мск Выплаты два раза в месяц

Location: Berlin Workplace: Hybrid adjoe builds the technologies behind mobile app growth and monetization, challenging the status quo of adtech by redefining how apps acquire users and generate revenue. Our two products, Playtime Arcade and adjoe Ads, sit at opposite ends of the mobile advertising spectrum: rewarded engagement and programmatic in-app advertising. Together they run on 13% of the world's smartphones, connecting advertisers, publishers, and hundreds of millions of users, with one goal: making mobile advertising work better for everyone in the ecosystem. Next-Gen Machine Intelligence for Scalable Discovery & Engagement The Data Science Research team builds foundational ML representations and advanced AI capabilities that enhance both Playtime and adjoe Ads. Operating as a horizontal deep-tech layer, the team leverages advanced AI and deep learning approaches—specifically generative approaches —to deliver critical systems such as high-dimensional user embeddings, general content understanding and sequential recommendation. These frameworks scale adjoe's products beyond standard industry limitations, utilizing behavioral and transactional data from over 770 million users. The team operates at the intersection of bleeding-edge R&D and high-scale production engineering, acting as the company’s internal science bar raiser and primary consulting layer for complex ML bottlenecks. The stack is optimized for deep learning and heavy data throughput: PyTorch and [Ray/Hugging Face] for training and fine-tuning foundation models, Trino and Athena for querying massive user-behavior data lakes, and dedicated GPU infrastructure for heavy workloads. The full lifecycle of these AI capabilities is owned by the team—from academic paper translation and offline prototyping to deploying core algorithmic frameworks built to sustain high-throughput, realtime production environments. Your Mission & Who We Are Looking For: - PhD or equivalent research depth, with a production track record. You have a PhD in CS, Statistics, Math, or Physics, or an MSc with extensive industry research, and publications in top-tier venues like SIGIR, KDD, NeurIPS, or ICLR. You've spent 4+ years building large-scale recommender systems in high-throughput environments: AdTech, e-commerce, or social. - You translate research into production, not just prototypes. You distill SOTA research into robust, production-ready code optimized for sub-millisecond latency. At adjoe, that means architecting multi-stage recommendation pipelines, Generative Retrieval, Deep Ranking, and Re-ranking, serving millions of requests across a stack built on 770 million users' behavioral data. - Deep expertise in PyTorch and large-scale model optimization. You have hands-on experience with high-concurrency optimization, model quantization, and distillation, the engineering side of getting large generative models to run under extreme production constraints, not just in research environments. - Content understanding and embeddings are core to your work. You research and develop information-rich user and ad embeddings using unsupervised and generative approaches, directly improving the quality of predictions across both Playtime and adjoe Ads. - Raises the technical bar around them. You lead architectural debates, mentor junior scientists, and drive the team's research direction without needing a roadmap handed to you. 🌎 We welcome applications from talent worldwide and provide relocation support to Hamburg, Germany for those ready to join our team. What’s in It for You? At adjoe, you’re not here to just close JIRA tickets, you’re helping build the infrastructure behind one of the most impactful platforms in adtech. The systems you work on will reach hundreds of millions of users and power billions of decisions every day. - Go Big. Own projects with impact on 770M users and push adtech boundaries. - Move Fast. Ship solutions multiple times a day, learn from results, and keep momentum. - Be Direct. Solve problems openly and collaborate across teams. - Thrive Together. Grow with a diverse, global team of people from over 40 different countries that learn from each other. - Have Fun. Celebrate wins, enjoy daily victories, and bring your energy. We welcome applications from people who will contribute to the diversity of our company.