Вакансии

Location: Lisbon, Portugal Joom is a global cross-border marketplace where millions can find anything they want at fair prices. Joom helps consumers to make shopping easy and entertaining and provides access to interesting and unique goods from around the world. Joom is one of the key businesses of Joom Group, an international group of tech-centric group of e-commerce companies founded in 2016 in Latvia. Joom also includes other businesses: JoomPro, the first and only end-to-end cross-border B2B marketplace; JoomPulse, an AI analytics tool for Mercado Livre sellers; and Onfy, a pharmaceutical marketplace in Germany. Joom Group has offices in Latvia, China, Germany, and Brazil, with its headquarters in Lisbon, Portugal. We work as one international team, sharing knowledge and collaborating across countries, businesses and products. We are looking for Lead/Senior ML developers to join our teams: Search team (Lead): will work on improving the core search algorithms, enhancing the system's understanding of user queries and the relevance of products shown in response to searches; developing new functionality to improve the user experience Order Experience team (Senior): developing AI/ML support: specifically, answering user questions using the full context of their orders, profile, transactions, and actions within the service, along with automating refunds Tech stack: Go, Python, Scala, Spark, modern LLMs, PyTorch, Docker, Kubernetes, Airflow, MongoDB, Cassandra, Kafka, Jenkins Requirements Strong algorithmic skills: knowledge of fundamental algorithms and data structures, as well as their implementation in standard libraries Proficiency in any language: experience in developing and debugging distributed, high-load applications, and writing testable code Industry experience in Machine Learning: familiarity with key modeling and training approaches (linear models, GBDT, DNN, etc.), knowledge of statistics, and end-to-end ML development experience, including raw data analysis, hypothesis formulation, model creation, experimentation, and deploying results into production Preferred Experience in developing recommendation or search systems Experience training neural network models Experience working with various data sources: Spark, Cassandra, Mongo, Kafka Knowledge of Go We offer Compensation package: base salary and performance-based bonuses Office-first: flexible hours with a possibility to work remotely 52 days per year Care & Wellbeing: health insurance (including dental care) for employees and their children, daily meal allowance, and 100% paid sick leave Relocation Support: full assistance for a smooth relocation for the employees and their family AI-first approach: licenses and access to a wide range of AI tools Team & Growth: collaboration with colleagues across Portugal, Brazil, Latvia and China, with opportunities for promotions, professional trainings, and English & Portuguese courses Community & Engagement: annual team building activities, knowledge-sharing workshops, and a strong sense of team work Before applying for the above position please review our Candidate Privacy Notice here . By responding to the vacancy, you acknowledge that you have read our Privacy notice.

Location: Санкт-Петербург Команда разработала и внедрила большое количество ML моделей в процессы банка, наши модели улучшают клиенсткий опыт, помогают снизить отток и формируют персональные рекомендаций для клиентов. С помощью стека разработанных моделей, команда улучшает внутренние процессы банка, а так же платные продукты и сервисы для клиента. Мы ищем в команду ML инженера, который поможет лидировать направление разработки ML моделей в команде, улучшать стек текущих моделей и разрабатывать новые. Обязанности * погрузиться в процессы и продукты компании, с целью улучшения процессов с помощью ML * разрабатывать и тестировать новые гипотезы связанные с ML моделями на табличных данных * разрабатывать MVP решения с использованием LLM моделей (промпт-инжиниринг) * разрабатывать ML модели с учетом требований банка и последующего вывода их в ПРОД * готовить аналитику результатам работы моделей и презентовать ее заказчикам * участвовать в развитии ML инструментов и тех. стека Банка. Требования * опыт работы по направлению Data Science от 3х лет * знание Python ML стека (pandas / sklearn / catboost ) * опыт использования LLM * умение переложить гипотезу с бизнес терминов на техническую реализацию * развитые коммуникативные способности для эффективного общения * знание SQL / Git / Pep8. Будет плюсом опыт:  * промышленной разработки на Python от 1 года * внедрения ML решений в бизнес процессы * работы с BigData стеком (Hadoop / PySpark) * работы с Linux, bash. Условия • удобный офис в СПб на ул. Уральской, дом 1 (шаттлы от метро Спортивная и Приморская) • офисный формат работы • регулярный пересмотр заработной платы и возможность получения годовой премии • доступ к более чем 400 образовательным программам СберУниверситета • программу адаптации и поддержку наставника на первых этапах работы • расширенную медицинскую страховку (ДМС) и выгодные условия страхования для членов семьи • ипотечные программы для сотрудников • подписка Прайм с возможностью совместного использования на трёх близких • вознаграждения за рекомендации кандидатов.

Признаки (N ~200) намеренно анонимизированы, чтобы убрать преимущество финансового домена и сфокусировать задачу исключительно на моделировании зашумленных нестационарных рядов. Нужно предсказывать два таргета (t0, t1), оцениваемых по взвешенной корреляции Пирсона (с клиппингом в [-2.0, 2.0]).

ML-команда развивает рекомендательную систему и инструменты компьютерного зрения, обработки текста и распознавания речи. Предстоит улучшать модели, участвовать в сборе данных и оптимизировать инфраструктуру запуска моделей и мониторинга.

Location: Warsaw, Poland; Madrid, Spain; Tbilisi, Georgia; Sofia, Bulgaria; Yerevan, Armenia; Podgorica, Montenegro CloudLinux is a global remote-first company. We are driven by our principles: do the right thing, employees first, we are remote first, and we deliver high-volume, low-cost Linux infrastructure and security products that help companies to increase the efficiency of their operations. Every person on our team supports each other and does what we can to ensure we all are successful. Check out our website for more information: https://cloudlinux.com/ Imunify360 is CloudLinux's security suite for Linux web servers: real-time and background malware scanning, automated cleanup, a WAF, runtime PHP protection (Proactive Defense), a database malware scanner, and IP reputation. It runs on hosting providers' shared, VPS, and dedicated servers, so new web-malware campaigns land on our fleet early. We sit on one of the largest labeled corpora of live web-server malware in the industry: files, verdicts, cleanup outcomes, and analyst decisions collected from production hosting servers every day. It already drives our signatures, heuristics, and ML models, and there is far more to get out of it. We are looking for a Senior ML Engineer who will turn that data into detection that ships — classifiers, LLM-assisted triage and generated signatures — and keep exploring new ML/LLM methods against it, measured by the product's false-negative and false-positive rates, not by notebook accuracy. Our dataset focuses on web malware — PHP, JavaScript, HTML phishing kits, infected WordPress and Joomla plugins and themes, database injections — with the context around each file. What you'll work with: Malware samples from production servers, with verdicts and analyst decisions Years of signatures and detection rules Customer-reported false negatives and false positives Runtime behavior of code on live sites Web-attack traffic File metadata and how files spread across servers Cleanup outcomes, including what came back What you will do: The goal is 10x more malware detected at the same or lower false-positive rate. Hand-written rules and faster pipelines will not get there; models trained on our data might. Decide which files on a server deserve a closer look, within tight CPU and memory budgets Tell malicious code from benign at fleet scale and a sensible cost per file Generate detection signatures automatically from new campaigns Catch malware that only looks malicious in context, such as phishing pages and script injections Route each file to the right detection engine Make cleanup precise so sites stay clean afterwards Prove each model improves detection before it ships How we work: You get an experimentation track, GPUs, and a direct line to leadership; in return, you bring numbers, not opinions. Remote-first, async across UTC−5 to UTC+8. Decisions are written down (ADR-Lite) and public by default. Hardware follows evidence: Each training direction starts with dedicated GPUs on our own bare metal; leadership has committed to fund more when the case is made with data. Agentic engineering: Claude and Codex are the default tools, wired to GitLab, Jenkins, Redash, Jira, and Slite through MCP servers. We look at how engineers work with agents — context, specificity, review quality — not only at output. Close to ground truth: You work daily with malware analysts, detection and infrastructure engineers, and the rest of our ML team. Ship gates: No model or build goes out if it raises false positives or false negatives on our past-error sets. Blameless post-mortems within 24 hours. What you'll deliver: You own the path from raw samples to a model in production, and the numbers that prove it helped. First month: A first model trained on production data and measured against today's engines — suspicious-file triage or a metadata model. The evaluation harness in place: splits by time and campaign so families don't leak, and a regression set from past FPs and FNs. By month 3: Several models in production: some in shadow mode building evidence, some live and producing real detections, all gated on the past-error regression set. A training setup that keeps its GPUs busy. A written proposal (ADR) for the detection cascade, with cost per file and hardware needs. By month 12: Models are a main source of new detections, reported as share of new detections and FN-rate trend. Retraining on fresh analyst and FN labels on a fixed cadence. Generated signatures inside the analyst workflow. Two or three parallel training directions that other engineers can run with your tooling. Requirements What you bring: 5+ years building ML systems that ran in production, including 2+ in an adversarial domain: security, abuse, fraud, or spam. Y ou have trained and fine-tuned transformer models yourself — data preparation, tokenizing code, LoRA/QLoRA or full fine-tunes, distillation, quantization — not only called hosted APIs. Classic ML depth: gradient boosting, linear models on sparse features, calibration, class imbalance, and judgement on when these beat an LLM. Evaluation discipline: leakage-free splits by time and family, precision at a fixed false-positive budget, regression sets, and an honest account of why production will differ from offline. Inference cost engineering: you have measured throughput and latency and made a model fit a CPU or memory budget (ONNX, llama.cpp, vLLM, int8/int4). Strong Python, PyTorch and the Hugging Face stack; SQL on large analytical tables (ClickHouse or similar). Familiarity with PHP or JavaScript , or willingness to pick it up working with our malware analysts. You use AI coding agents daily and can show how. English at upper-Intermediate (B2) level or higher , with particularly strong written communication for async work. It is a strong plus if you have: Web malware, webshells, phishing kits or WordPress security experience. Models over code: AST or token features, code LLMs, graph models on program structure. Malware clustering and similarity analysis. Multi-GPU training on your own bare metal; MLflow or Weights & Biases; dataset versioning. Go or Rust, for on-server inference. Published work or talks on ML for security. Benefits What's in it for you? A focus on professional development. Interesting and challenging projects. Fully remote work with flexible working hours, that allows you to schedule your day and work from any location worldwide. Paid 24 days of vacation per year, 10 days of national holidays, and unlimited sick leaves. Compensation for private medical insurance. Co-working and gym/sports reimbursement. Budget for education. The opportunity to receive a reward for the most innovative idea that the company can patent. By applying for this position, you consent to the processing of your personal data as described in our Privacy Policy ( https://cloudlinux.com/candidate-privacy-notice ), which provides detailed information on how we maintain and handle your data.

Твои задачи — RAG по методике и видеоурокам, файн-тюнинг LLM на русском и казахском, персонализация под профиль ребёнка. • Свой опыт файн-тюнинга (LoRA / QLoRA): сам собрал датасет, дообучил модель, измерил результат.

-Участвовать в разработке AI-решения для анализа документов, изображений и текста (KYC-верификация), включая работу с Computer Vision (CV), OCR и NLP. -Подбирать и адаптировать модели под бизнес-задачи.

- Оптимизация и масштабирование LLM-инференса (SGLang, vLLM, TensorRT-LLM). - Работа с моделями до 1T+ параметров и распределённой GPU-инфраструктурой.

• Опыт работы в сфере AI/ML от 5 лет.

Location: Санкт-Петербург ИТ B2C — самая крупная экосистема в Сбере. Нас более 8000 человек в 18 городах России. Мы занимаемся разработкой и развитием розничных решений, помогая сделать сервисы Банка доступнее, безопаснее и удобнее. Ждем именно тебя! Обязанности * проектировать и разрабатывать LLM-workflow, AI-агентов и мультиагентные системы: настраивать взаимодействие моделей, работу с контекстом и вызов внешних инструментов * разрабатывать и улучшать RAG-решения: подготовку данных, векторизацию, поиск релевантной информации и формирование контекста для LLM * исследовать и применять подходы на основе Transformer и Attention для обработки текстов, извлечения сущностей и построения векторных представлений * интегрировать AI-решения со смежными банковскими продуктами и внешними сервисами * проводить эксперименты, оценивать и улучшать качество агентов и ML-моделей, настраивать мониторинг их работы * участвовать в построении масштабируемых MLOps-процессов для развёртывания и стабильной работы моделей в промышленной эксплуатации. Требования * опыт работы в машинном обучении от трёх лет, наличие реализованных и внедрённых решений * практический опыт разработки LLM-workflow или агентских систем, их интеграции и адаптации под бизнес-задачи * опыт работы с RAG и векторным поиском: разбиение данных на фрагменты, выбор embeddings, поиск и ранжирование результатов * знание основ машинного обучения и основных архитектур Deep Learning, в особенности Transformer и механизма Attention; понимание принципов работы и обучения LLM * уверенное владение Python, NumPy, Pandas, Scikit-learn и PyTorch, опыт написания кода для промышленной эксплуатации * опыт работы с LangGraph или аналогичными инструментами построения LLM-workflow и агентских систем * опыт работы с Big Data-стеком – Spark, Hadoop, Hive; умение строить и оптимизировать пайплайны обработки данных * базовые знания и практический опыт в MLOps: развёртывание, мониторинг и сопровождение моделей * умение оценивать качество решений, анализировать ошибки и делать обоснованные выводы по результатам экспериментов * самостоятельность, проактивность, ориентация на результат и готовность осваивать новые подходы. Будет плюсом: * опыт применения GigaChat, Kandinsky и аналогичных моделей в продуктах * опыт решения задач персонализации и разработки рекомендательных систем * опыт использования AI-инструментов для анализа, генерации контента и автоматизации рабочих процессов. Условия * комфортный современный офис * возможность выбрать удобный график – офис/гибрид * 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 * 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.

Location: Москва Мы в Kandinsky строим платформу для генерации изображений и видео. Команда Harness отвечает за слой инструментов и пайплайнов вокруг моделей: он превращает исследовательские чекпоинты в решения, которыми пользуются миллионы пользователей. Мы ищем ML-инженера, который будет развивать этот слой, автоматизировать сценарии работы с визуальным контентом, влиять на выбор моделей и подходов и помогать командам доводить модели до продукта. Обязанности * разрабатывать агентные системы: сценарии, инструменты, оркестрация вызовов * решать прикладные задачи с помощью CV- и генеративных моделей: от постановки до работающего в проде решения * собирать пайплайны обработки и генерации изображений и видео, автоматизировать сценарии работы с визуальным контентом * адаптировать модели под конкретные домены и продуктовые кейсы * искать причины деградаций качества и предлагать способы их устранения * работать в связке с исследователями, продуктом и бэкендом, переводя продуктовые требования в технические решения. Требования * уверенное владение Python и фреймворками глубокого обучения (PyTorch) * понимание разницы между agentless- и agentic-решениями, опыт написания обоих и умение понимать, когда что уместно * понимание устройства актуальных CV- и GenCV-моделей * умение работать с контейнеризацией (Docker, Kubernetes) * опыт интеграции генеративных моделей * понимание бизнес-метрик и их переноса на модельные метрики * опыт работы с opensource-моделями: выбор под кейс, настройка гиперпараметров, дообучение Условия * комфортный современный офис рядом с м. Кутузовская * ежегодный пересмотр зарплаты, годовая премия * корпоративный спортзал и зоны отдыха * система обучения для профессионального и карьерного развития * расширенный полис ДМС с первого дня работы и страхование для семьи * льготная программа ипотеки для сотрудников * бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров * вознаграждение за рекомендацию друзей в команду Сбера.

Мы приглашаем в нашу команду опытного ML инженера для работы над проектом по созданию системы анализа данных.

Location: Belgrade; Lisbon Workplace: OnSite Aghanim is an integrated commerce, liveops automation, community engagement, and payments platform for video games.   Mobile games have traditionally depended on app stores for distribution, payments, and player relationships. We believe there is a better way. Aghanim helps game studios build direct relationships with players, sell directly, and build their future on their own terms. Today, more than 100 games worldwide are already building this future with Aghanim.   Our team brings together people across Los Angeles, New York, Seoul, Beijing, London, Lisbon, Belgrade and other locations around the globe, with deep expertise in gaming, fintech and technology. We move quickly, keep communication direct, and focus on getting things done. We believe the best people thrive when they have autonomy, ownership, and a stake in the company's success. [https://app.ashbyhq.com/api/images/user-content/4f457f07-466b-477b-b552-fbbabd850111/2de3a7cd-8843-41a9-8bbe-ceb897a42c4a/Logo%20(horizontal).svg] We’re looking for a Founding ML Engineer at Senior or Principal level to lead the transition of Newton, Aghanim’s AI product for partners, from proprietary model APIs to models we control. Newton already runs in production on frontier models. You’ll own the model layer end to end: data collection, evaluation, post-training, serving, and rollout. The goal is to preserve the quality partners rely on while reducing cost, improving speed, and keeping partner data within our infrastructure. You’ll work closely with the product to understand its behavior and partner expectations, then independently define the technical approach and priorities. Decisions about training, routing, and model replacement should be backed by production data and evaluations. KEY RESPONSIBILITIES - Build production data pipelines that capture versioned instructions, tool calls, outputs, costs, and outcomes, with anonymization, partner-level deletion, and expert corrections. - Develop benchmarks, regression tests, and code-based and LLM-judge evaluators using real Newton runs to measure factual accuracy, tool use, answer quality, cost, and latency. - Compare frontier and open-weight models, route tasks to suitable models, and identify where prompting, distillation, or post-training delivers the best results. - Train and adapt models using distillation, SFT, LoRA/QLoRA, and DPO on accepted trajectories and expert feedback; use RL where simpler approaches fall short. - Deploy models behind Newton’s existing interface, validate them through shadow runs, and manage rollout based on quality benchmarks and serving economics. Tech stack: Python, TypeScript, SQL, self-hosted Langfuse, TRL / Unsloth / Axolotl or managed training platforms, vLLM, serverless GPUs, GCP / Modal; open-weight models including Qwen, Gemma, DeepSeek, and GLM. REQUIRED QUALIFICATIONS - Hands-on experience post-training LLMs and shipping them to production using SFT, LoRA/QLoRA, DPO, and distillation. - Experience building evaluation systems from production data, including offline benchmarks, regression and behavior tests, and code-based and LLM-judge evaluators. - Understanding of agentic systems, including tool calling, multi-step trajectories, structured outputs, and the impact of changing the underlying model. - Practical experience serving models with vLLM or similar tools, quantization, and GPU deployment, including latency, cold-start, and cost tradeoffs. - Strong production Python and SQL skills, with enough TypeScript proficiency to modify product code and instrumentation independently. - Ability to understand product behavior and user expectations, translate them into measurable quality requirements, and decide when training is justified. - Experience independently owning a technical area, setting priorities, and working across an unfamiliar codebase and its design documents. - Regular use of AI coding agents, with a clear approach to verifying their output. PREFERRED QUALIFICATIONS - Experience migrating a production product from proprietary model APIs to self-hosted or open-weight models. - Experience with RL for LLMs, particularly GRPO with automatic verifiers. - Familiarity with Langfuse, Braintrust, or similar tracing and evaluation tools. - Experience with GCP, including Vertex AI, Cloud Run GPU, and BigQuery. - Interest in game monetization and analytics. WHY JOIN US - World-class team – work alongside experienced professionals from around the globe who have built products used by millions of players - High growth, high impact – be part of a fast-growing company where ideas turn into products and reach customers in days, not months - Autonomy and ownership – we trust people to make decisions, take initiative, and drive results - Modern tools and technology – use AI, automation, and modern tools as part of your everyday work - Equity – participate in the company's growth and long-term success

-Разрабатывать computer vision и machine learning решения для архитектурных чертежей, технических документов, CAD и BIM-данных. -Строить пайплайны, объединяющие растровые изображения, векторную геометрию, структурированные инженерные данные, OCR и ML-модели.

Location: Москва Мы разрабатываем технологии генерации и обработки визуального контента. Ищем Senior ML Engineer, который вместе с командой будет исследовать новые подходы, разрабатывать и обучать генеративные модели, строить комплексные ML-пайплайны и внедрять их в продукты. Технологический стек **Основной стек:** Python, PyTorch, распределённое обучение (FSDP, DeepSpeed). **Модели и методы:** диффузионные модели, трансформеры (DiT), VAE; механизмы attention, включая sparse и causal attention; авторегрессионная генерация и методы её обучения; дистилляция моделей; выравнивание моделей по человеческим предпочтениям с помощью RL-методов. **Будет преимуществом:** опыт оптимизации с Triton, torch.compile и квантизацией; backend-разработки, работы с API, асинхронной обработкой, реляционными и векторными БД, интеграции LLM/VLM. Обязанности * Разрабатывать и обучать генеративные модели для изображений и видео, адаптировать архитектуры и латентные представления под новые задачи. * Исследовать подходы к управляемой и авторегрессионной генерации, проверять гипотезы из статей и улучшать качество моделей. * Дистиллировать модели, оптимизировать скорость инференса и потребление памяти. * Строить масштабируемые пайплайны с VLM и CV-моделями для автоматической разметки, фильтрации и параллельной обработки данных. Технологический стек **Основной стек:** Python, PyTorch, распределённое обучение (FSDP, DeepSpeed). **Модели и методы:** диффузионные модели, трансформеры (DiT), VAE; механизмы attention, включая sparse и causal attention; авторегрессионная генерация и методы её обучения; дистилляция моделей; выравнивание моделей по человеческим предпочтениям с помощью RL-методов. **Будет преимуществом:** опыт оптимизации с Triton, torch.compile и квантизацией; backend-разработки, работы с API, асинхронной обработкой, реляционными и векторными БД, интеграции LLM/VLM. Требования * Опыт обучения генеративных или CV-моделей и работы с большими датасетами. Умение выбирать подходы под задачу и оценивать результаты экспериментов. * Хорошую математическую базу: линейная алгебра, теория вероятностей, статистика и методы оптимизации. * Практический опыт работы с AI-агентами для ускорения разработки и исследований, умение проверять их код и результаты. * Английский для чтения статей и документации; умение воспроизводить исследовательские подходы и применять их на практике. * Будут плюсом научные публикации, выступления на международных конференциях по ML и компьютерному зрению, вклад в open source. Условия * комфортный современный офис рядом с м. Кутузовская * ежегодный пересмотр зарплаты, годовая премия * корпоративный спортзал и зоны отдыха * система обучения для профессионального и карьерного развития * расширенный полис ДМС с первого дня работы и страхование для семьи * льготная программа ипотеки для сотрудников * бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров * вознаграждение за рекомендацию друзей в команду Сбера.

• Обучать модели принятия решений для классификации, выбора и оценки; проверять калибровку вероятностей, качество и скорость инференса.

Location: Athens Workplace: Remote About the company: KIEFER is building Greece's integrated AI ecosystem. From renewable energy infrastructure and AI systems to robotics and enterprise applications, we connect the technologies that power Europe's intelligent future. Founded in 2014, KIEFER has delivered 600MW+ of energy projects and is now developing sovereign AI infrastructure, enterprise AI products and physical AI systems for Greece and Southeast Europe. About the role We are looking for an ML Engineer to improve automatic speech recognition (ASR) for Sophea Meet. You will work with real meeting audio and own the improvement loop from data and model experiments through evaluation and production performance. The initial language focus is English. Additional languages, starting with Greek, will be prioritized with Product based on usage and product needs. What you will do - Train, fine-tune, adapt, and evaluate speech recognition models based on measured product needs. - Build representative benchmarks and regression tests for real meeting audio. - Prepare speech datasets and investigate difficult cases, including noise, overlapping speakers, long sessions, and specialized terminology. - Use error analysis to decide which model, data, or pipeline changes will improve transcription quality. - Improve inference across accuracy, latency, throughput, reliability, and cost. - Deploy and monitor model versions with Engineering, while working with Product to set quality goals and prioritize improvements. What you will need - 3+ years of relevant ML or research engineering experience, with clear technical ownership and measurable results. - Strong hands-on ASR or speech ML experience, including a speech recognition system you shipped or materially improved. - Experience training, fine-tuning, or adapting deep learning models using real-world audio data. - Strong evaluation skills, including WER/CER, benchmark design, error analysis, and regression testing. - Strong Python, hands-on experience with PyTorch, JAX, TensorFlow, or a similar framework, and solid software engineering skills. - Experience deploying, monitoring, and maintaining production ML systems. Nice to have - Multilingual ASR, accent robustness, domain adaptation, or diarization. - Streaming speech recognition and low-latency inference. - MLOps, evaluation, or data pipelines for speech systems. - Experience with meeting transcription, voice agents, or enterprise speech products. What is there for you - Compensation: Competitive package aligned with talent benchmarks. - Impact: Hands-on work shaping AI capabilities for Kiefer Tech’s products and real-world applications. - AI-native environment: Real challenges across model development, evaluation, and production AI systems. - Culture: Engineering-first, high autonomy, low bureaucracy, and space to shape meaningful AI products.

Location: Athens Workplace: Hybrid About the company: KIEFER is building Greece's integrated AI ecosystem. From renewable energy infrastructure and AI systems to robotics and enterprise applications, we connect the technologies that power Europe's intelligent future. Founded in 2014, KIEFER has delivered 600MW+ of energy projects and is now developing sovereign AI infrastructure, enterprise AI products and physical AI systems for Greece and Southeast Europe. About the role We are looking for an ML Engineer to develop capabilities that work on physical robots. You will take ideas from model and data experiments through robotics integration and evaluation on real hardware. Our fleet includes Unitree Go2, G1, H1, and B2 robots using NVIDIA Jetson Orin and Jetson Thor compute. Current areas of focus include navigation, learned policies, vision-language-action models, and robotics data. What you will do - Develop, train, adapt, and evaluate models for navigation, perception, planning, and robot behavior. - Apply suitable methods such as imitation learning, reinforcement learning, or vision-language-action approaches. - Build data collection and evaluation pipelines using real-world and simulated robotics data. - Integrate models with robotics software, sensors, actuators, and control systems. - Test on physical robots, measuring task success, sim-to-real performance, on-device latency, and failure modes. - Work with ML, Engineering, robotics specialists, and Product to improve reliability and move prototypes toward repeatable deployment. What you will need - 3+ years of relevant ML or robotics engineering experience, or equivalent impact taking research into real-world systems. - Hands-on experience developing and evaluating ML-enabled systems on physical robots. - Strong Python and production software engineering skills, including experience with ROS or a comparable robotics framework. - A strong ML background in robot learning, perception, imitation learning, reinforcement learning, multimodal models, or a related area. - Experience with robotics data, simulation, experiment design, and evaluation on real hardware. - Practical understanding of sensors, actuators, control loops, latency, and hardware debugging. Nice to have - Vision-language-action models, multimodal foundation models, or generative world models. - Experience with humanoids, mobile or dexterous manipulation, or other complex robotic platforms. - Sim-to-real transfer, teleoperation, human demonstration data, or large-scale robotics data collection. - C++, low-level control, tactile or force sensing, or real-time systems. What is there for you - Compensation: Competitive package aligned with talent benchmarks. - Impact: Hands-on work shaping AI capabilities for Kiefer Tech’s products and real-world applications. - AI-native environment: Real challenges across model development, evaluation, and production AI systems. - Culture: Engineering-first, high autonomy, low bureaucracy, and space to shape meaningful AI products.