Задачи:
— Разработка ML-моделей и алгоритмов
— Вывод в production ML-моделей и расчетных модулей
— Аналитика на больших данных
— Поддержка реализованных решений
— Разработка ML-моделей и алгоритмов для прогнозирования временных рядов
Требования:
— продвинутые знания в области математики (мат.анализ, линейная алгебра, теория вероятностей, мат.статистика)
— python: типы данных, структуры, ООП
— классический ML: задачи (классификация, регрессия), метрики, basic ML stack (pandas, numpy, sklearn, catboost, xgboost), SQL
— BigData stack (Hadoop, Spark, SparkML)
— умение работать с git, Jira, Confluence
Будет плюсом:
— знания в области финансов
— опыт продуктовой аналитики
— опыт работы с временными рядами (анализ, разработка моделей)
— опыт работы с LLM (langchain, langgraph)
— опыт end-2-end разработки ML-моделей (EDA-MVP-Solution-Validation-Production)
— опыт backend разработки
Условия:
— комфортный современный офис рядом с м. Кутузовская
— гибридный формат работы
— 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
— бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
— вознаграждение за рекомендацию друзей в команду Сбера.
О проекте
Промышленная видеоаналитика. Ядро уже работает - детекция, трекинг, распознавание лиц, детектор СИЗ, API и веб-интерфейс. Нужно довести систему до продакшн внедрения.
Задачи:
- Довести распознавание лиц до измеримого качества: разметка, калибровка порогов, метрики FAR/FRR
- Устойчивое отслеживание
- Оптимизация производительности пайплайна под CPU-only сервер для оффлайн обработки
- Обучение и дообучение детекторов на собственных данных, организация разметки
Требования
- Уверенный Python + Go, опыт с ONNX/ONNX Runtime (экспорт, opset, оптимизация latency на CPU, а не GPU serving)
- Опыт с YOLO
- Face detection/recognition пайплайны (детектор + embedding + порог по cosine similarity)
- Опыт с OpenCV DNN/Zoo моделями плюс
- Object tracking (IoU/ByteTrack-подобные трекеры, multi-object tracking metrics, ID switches)
Задачи:
— Повышение качества RAG-агентов по трём направлениям: поиск по технической документации, нормативной базе, бухгалтерской документации;
— Промпт-инжиниринг и контекст-инжиниринг для всех агентов команды;
— Подготовка эталонных наборов оценки качества;
— Реализация LLM-as-a-judge для автоматических регрессионных проверок;
— Настройка защит для production-агентов: фильтры от инъекций в промпт, валидация структуры и контента выходов, защита от утечек персональных данных, anti-hallucination механизмы;
— A/B-тестирование промптов и моделей для подбора лучших конфигураций;
— Тюнинг качества по сигналам обратной связи пользователей и трассировкам из Langfuse.
Требования:
— Python от 2 лет коммерческой разработки;
— Практический опыт RAG-систем в продакшене: эмбеддинги, векторные базы (Qdrant, FAISS или pgvector), переранжирование, чанкинг;
— Опыт построения и поддержки как минимум одного RAG-решения от начала до конца, не прототип;
— Практический опыт оценки качества LLM-систем: подготовка эталонных наборов, offline-метрики, LLM-as-judge, регрессионные проверки;
— Опыт работы с фреймворками оценки (Ragas, DeepEval или аналоги);
— Практический опыт настройки защит для LLM-приложений: защита от инъекций в промпт, валидация структуры и контента выходов, защита от утечек персональных данных;
— Опыт промпт-инжиниринга и контекст-инжиниринга в реальных проектах: итеративная настройка промптов, structured output, function calling;
— Понимание архитектуры RAG: стратегии нарезки документов, метаданные, выбор моделей эмбеддингов, переранжирование, точность ссылок на источник;
— Практический опыт работы хотя бы с одним LLM-фреймворком: LangChain, LangGraph, PydanticAI, OpenAI API или аналоги;
— Практический опыт A/B-тестирования промптов и моделей в продакшене;
— Опыт работы с агентскими протоколами (MCP) или собственным tool-layer для агентов;
— SQL и работа с реляционными базами на базовом уровне.
ОфисseniorМосква
Зарплата не указана
Не хотите искать каждый день?
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
Задачи:
— Владеть проблемой, превращая цели в AI-решения в продакшене.
— Строить и адаптировать большие языковые модели (LLM); дообучать или дистиллировать модели для повышения производительности.
— Обучать собственные модели, включая сбор и оценку данных.
— Принимать решения о разработке или покупке на основе чётких метрик и ограничений.
— Выпускать функции в продакшен и мониторить их эффективность.
Требования:
— Опыт инженерной работы 5+ лет с сильными навыками программирования.
— Практический опыт с LLM: retrieval, использование инструментов и контекстное проектирование.
— Подтверждённый опыт обучения моделей на реальных производственных данных.
— Владение Python, PyTorch и использованием GPU.
— Английский язык на уровне Intermediate и выше.
Желательно:
— Опыт работы с инференсом в реальном времени, модерацией контента или рекомендательными системами.
— Знакомство с Docker, Kubernetes и облачными платформами.
Условия:
— Конкурентная зарплата и опционные программы — все являются партнёрами.
— Официальное трудоустройство на Кипре (поддержка визы для сотрудника и супруга).
— Комфортный офис в Лимассоле с обеспечением питания и перекусов.
— Медицинская страховка для сотрудника и семьи.
— Возможности для профессионального роста, уроки греческого языка и командные мероприятия.
Задачи:
— Улучшение текущих моделей и обучение новых, включая классификаторы, генеративные модели, сложные сценарии на основе агентов и пайплайнов.
— Сбор и анализ данных для дообучения, обучение с использованием SFT- и RL-подходов.
— Быстрая разработка прототипов и MVP для новых проектов, с фокусом на агентах и RAG для обработки большого контекста.
— Автоматизация валидации ML-моделей, внедрение систем автоматической оценки качества моделей в продакшен.
Требования:
— Опыт в машинном обучении.
— Хорошее знание Python.
— Уверенное владение классическими алгоритмами и моделями.
— Глубокие знания в NLP и LLM.
Будет плюсом:
— Опыт работы с агентами и RAG-пайплайнами.
Условия:
— Расширенная медицинская страховка с первого месяца, включая стоматологию, ежегодные чекапы, неотложную помощь за рубежом, лечение критических заболеваний и страхование от несчастных случаев.
— Психотерапия в офисе или онлайн.
— Лазерная коррекция зрения через год работы.
— Ведение беременности и роды через два года.
— Страховка для родственников по системе 80/20 (80% оплачивает компания).
— Внутренняя образовательная платформа, менторство, программы для руководителей.
— Оплата участия в профильных конференциях.
— Внутренние проекты для обмена экспертизой.
— Гибкий график без фиксированного времени начала и конца рабочего дня.
— Льготные жилищные займы для сотрудников российских офисов.
— Программы поддержки для детей: страхование, детские дни в офисе, подарки на рождение, чекапы при планировании беременности.
Задачи:
— Разработка и внедрение агентов на базе LLM, проектирование ML-компонентов платформы агентов.
— Создание агентов, способных обрабатывать сложные multi-turn и multi-modal запросы пользователей.
— Разработка систем маршрутизации задач, выбора инструментов и моделей, управление вызовами функций и оркестрация моделей внутри пайплайна.
— Замена традиционных классификаторов LLM-пайплайнами и RAG-системами, трансформация старых архитектур в современные пайплайны с LLM, вызовом функций, планированием и рассуждениями.
— Дообучение, настройка и интеграция моделей, оптимизация inference, работа с опенсорс-моделями и внутренними, включая fine-tuning, RL и адаптацию под платформу агентов.
— Обеспечение быстрой и устойчивой работы агентов на продакшене, оптимизация inference и взаимодействие с инфраструктурой (Eagle, FP8, дистилляция, multi-dimensional parallelism).
— Исследования и эксперименты с графами агентов и памятью, эксперименты с вызовами агентов, memory-подсистемами, симуляцией поведения, архитектурами reasoning и системами планирования.
— Участие в разработке RL-моделей для обучения диалоговых агентов, постановка и реализация экспериментов с multi-turn reinforcement learning в масштабах Яндекса и Алисы.
Требования:
— Глубокие знания в Deep Learning и NLP.
— Опыт работы с LLM и пайплайнами вокруг них (function calling, memory, RAG).
— Опыт внедрения ML-систем в продакшен.
— Системное мышление — от архитектуры до интеграции с инфраструктурой.
— Владение Python и знакомство с PyTorch.
— Готовность к кросс-функциональной работе с бэкендом и продуктовыми командами.
Ищем стажера машинного обучения - ML Engineer с небольшим опытом работы или со студенческими проектами в данной отрасли. Требуется прислать резюме для отклика на вакансию.
Задачи:
— Разработка и внедрение автономных ИИ-агентов и генеративных моделей (LLM, мультимодальные системы) для ускорения проектирования, разработки и развертывания ERP-систем, а также создания интеллектуальных интерфейсов автоматизации — от генерации кода до обработки естественно-языковых запросов пользователей.
— Создание ИИ-сервисов и автономных агентов для автоматизации бизнес-процессов.
— Обучение и тонкая настройка LLM (Large Language Models) и других ML-моделей под задачи компании.
— Анализ данных, разработка алгоритмов для прогнозирования, оптимизации и принятия решений.
— Интеграция ИИ-решений в существующие продукты компании.
— Участие в научно-исследовательских проектах, публикация результатов (при желании).
Требования:
— Опыт в работы в IT от 5-ти лет.
— Опыт работы в области Machine Learning, Deep Learning или Data Science от 3-ех лет.
— Знание Python и ряда библиотек для ML/DL таких как TensorFlow, Pandas, PyTorch, scikit-learn и др.
— Опыт работы с NLP, LLM (GPT, Llama, Mistral и т. д.), RAG, автономными агентами.
— Понимание принципов работы ERP-систем (желательно).
— Умение работать с большими данными (SQL, NoSQL).
— Знание методов обучения с подкреплением (RL) — будет плюсом.
— Английский язык (уровень для чтения технической документации).
Условия:
— Официальное оформление и стабильный доход по ТК РФ.
— Все льготы и преимущества работы в аккредитованной ИТ-компании.
— Программа ДМС с первых дней.
— Работа в офисе с гибким началом рабочего дня.
— Московский офис в шаговой доступности от м. Динамо, оборудованный всем необходимым для комфортной работы и отдыха.
Synthesia Roleplay Sessions is a training tool that lets people practice real conversations with AI avatars. Instead of just watching training videos, learners do interactive roleplay exercises, like practicing a sales pitch or handling a customer complaint with an AI coach. The AI gives instant feedback so people know what they did well and what to improve. Managers can use a dashboard to track which employees have completed their training, see how well they performed, and measure if the training actually improved their skills. The whole platform is built around learning by doing rather than just passive video watching.
For your ML engineer role, you'd be building the AI engine that makes the coaching work. That means creating the models that listen to what learners say during roleplay, score their performance, generate helpful feedback in real time, and decide how the AI avatar should respond next based on what the learner does. This is an applied ML position, not a research one. We expect you to have a good understanding of ML but on the other side to be a good product-focused software developer as you will be expected to work on different products.
Please bring with you:
— Ability to apply your machine learning knowledge to solve real product problems.
— At least seven (7) years of experience as a software engineer, with at least 2 years at senior level.
— Experience in a high-performing engineering team operating at scale, whether in a scale-up or established organisation recognised for strong engineering culture.
— Strong alignment with commercial success.
— Pragmatism and bias towards action.
— Comfort with fast iteration.
Why join us?
— We’re living the golden age of AI.
— Our culture is focused on building and empowering people to work fast.
— Serving 50,000+ customers including 50% of the Fortune 500.
— Proprietary AI technology built in-house by world-class AI researchers and engineers.
— Commitment to AI safety, ethics, and security.
The hiring process includes:
— Tech Recruiter Interview (30-40min) covering technical background and experience.
— Delivery and Impact Interview (60min) deep dive into past projects and impact.
— Technical Rounds including Work Scenario Round (75-90min) and System Design Technical Discussion (60min).
— Leadership Retrospective (60min) discussing collaboration, growth, and role expectations.
— Final debrief leading to offer or end of process.
Other important info:
— Preference for role based in-office or remote in UK, Germany, Switzerland or Ireland, with possible support for remote workers elsewhere in Europe.
— Salary starts at EUR/GBP/CHF 120,000 base plus RSUs.
— Full-time employment only, no contractors.
— 25 days of leave plus local holidays.
Senior Data Engineer (ML-направление) в Ozon Банк — онлайн-банк группы Ozon, предоставляющий финансовые услуги и сервисы для покупателей и продавцов маркетплейса.