Вакансии

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

Location: Москва Workplace: гибкий Мы — команда, которая строит и развивает LLM-агентов для поддержки пользователей и внутренних бизнес-процессов. Делаем решения «под ключ»: от прототипов и экспериментов до промышленных сервисов с мониторингом качества, метриками и стабильной эксплуатацией. Работаем на стыке ML/LLM и backend-разработки: проектируем пайплайны, интегрируемся с продуктами и инфраструктурой, строим RAG-системы и агентные сценарии, измеряем качество (precision/recall/F1, macro-F1), ведём эксперименты и улучшаем модели на данных. Используем Python, LangGraph/LangChain-подходы, Langfuse для наблюдаемости, Git и внутренние платформы хранения/обработки данных (в том числе YTsaurus), а также очереди и хранилища (Kafka/Redis). Задачи Разрабатывать и развивать LLM-агентов: сценарии, инструменты (tools), оркестрацию, память, маршрутизацию, обработку ошибок и fallback-логики Проектировать и внедрять RAG: индексация, эмбеддинги, ретриверы, ранжирование, чанкинг, оценка качества поиска и ответа Интегрировать агентные решения в прод: сервисы, API, взаимодействие с Kafka/Redis и другими компонентами инфраструктуры Настраивать наблюдаемость и контроль качества: логирование/трейсинг, Langfuse, дашборды, алерты, анализ деградаций Проводить офлайн/онлайн-оценку качества: считать precision/recall/F1/F1-macro, строить датасеты, проводить A/B или квазиэксперименты, формулировать гипотезы улучшений Участвовать в улучшении пайплайнов данных и экспериментов: подготовка данных, разметка/валидация, хранение и воспроизводимость Писать поддерживаемый код: ревью, тесты, документация, CI/CD, участие в архитектурных решениях Требования Уверенный Python (проектирование модулей, типизация, тестирование, работа с API/сервисами) Практический опыт работы с LLM/agentic-подходами: промптинг, tool calling, цепочки/графы, управление контекстом, обработка галлюцинаций и ограничений моделей Понимание и опыт оценки качества: precision/recall/F1, macro-F1, построение датасетов и интерпретация метрик Опыт построения или внедрения RAG (retrieval, embeddings, индексация, ранжирование, чанкинг, оценка retrieval-качества) Опыт разработки и эксплуатации сервисов: REST/gRPC, асинхронность, логирование, мониторинг, работа с Git Понимание очередей/кэшей/хранилищ (Kafka, Redis или аналоги), опыт интеграций Будет плюсом Опыт с LangGraph / LangChain, Langfuse (трейсинг, промпт-менеджмент, датасеты, evaluation) Опыт с YTsaurus или другими распределёнными системами хранения/обработки данных Опыт low-code/конструкторов пайплайнов и быстрых прототипов, доведение их до production Знание подходов к ранжированию, rerank, hybrid search, query rewriting, guardrails/safety Опыт A/B-тестов, построения продуктовых метрик и причинно-следственного анализа Опыт работы с контейнеризацией и деплоем (Docker/K8s), CI/CD

Location: Москва Workplace: Комбинированный VK Реклама — платформа, которая объединяет все крупнейшие в России и СНГ социальные сети и сервисы с общим охватом более 140 млн человек. Благодаря VK Рекламе у рекламодателей есть единая точка доступа к аудитории рунета и колоссальному объёму мобильного трафика высокого качества. Ядро рекламной системы — аукцион, обеспечивающий эффективную реализацию выбранных рекламодателями стратегий ставок и подбор рекламы для пользователей. Мы ищем ML-специалиста, которому интересно глубоко погрузиться в механику аукциона, растить эффективность рекламных продуктов и стратегий ставок с помощью методов машинного обучения. Что предлагаем: Возможность внедрять решения, влияющие на ~100 млн пользователей ежедневно Интересную предметную область - реклама сочетает в себе рекомендательную систему и аукцион со множеством дополнительных механизмов Технологические платформы компании, упрощающие внедрения в рантайм Задачи Разрабатывать и улучшать ML-модели ранжирования в аукционе Проводить AБ эксперименты с моделями в высоконагруженной системе Оптимизировать производительность существующих алгоритмов Требования Знание классических методов машинного обучения (линейные модели, градиентный бустинг, матричные факторизации, методы NLP) и DL Понимание принципов и методов предобработки данных, feature engineering и оценки моделей Практический опыт разработки на Java, Python или C++ Знание алгоритмов и структур данных Уверенное владение SQL Будет плюсом Опыт разработки рекомендательных систем Опыт работы с большими данными (Spark, Hadoop, YTsaurus)

Location: Москва Workplace: Комбинированный VK Видео — крупнейший российский видеосервис: ежедневно им пользуются десятки миллионов человек. Перед нами стоит амбициозная задача — развивать видеосервис № 1 в России и внедрять новые технологии. Нашим продуктом пользуются на разных устройствах (мобильные, телевизоры, веб), а ещё у нас есть несколько различных приложений (выделенные приложения VK Видео, приложения соцсети ВКонтакте). Мы ищем сильных ML-инженеров, которые помогут сделать наш продукт ещё более приятным и увлекательным для пользователей. Сейчас наша команда работает над улучшением качества в разных компонентах продукта: Рекомендации в персональной ленте Ранжирование в блоке «Смотреть позже» Рекомендации в тематических витринах, например Кино, Детское, Спорт и др. Ранжирование табов тематик и блоков видео Умные пуши и др. Задачи Улучшать базовое качество рекомендаций и ранжирования Анализировать потребление контента, выдвигать и проверять гипотезы, проводить А/B-тесты Тесно взаимодействовать с командами разработки, продуктовой аналитики и продуктовыми менеджерами Разбираться в незнакомых технологиях Принимать участие в разработке сервисов (внедрять алгоритмы в бэкенд на Java) Требования Совокупный опыт работы в ML от трёх лет Знание классических алгоритмов и принципов ML Знание алгоритмов и структур данных Уверенное владение Python, базовые знания SQL Открытость, самостоятельность и проактивность Будет плюсом Опыт в сфере рекомендаций или смежных областях (поиск, реклама, маркетинг и др.) на позиции уровня Middle и выше Опыт разработки сервисов на объектно ориентированном языке (C++, C#, Java, Python и др.) или Go Опыт работы с технологиями обработки больших данных (Hadoop, Hive, Spark, YT и др.)

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

Location: Москва Workplace: гибкий VK Реклама — платформа, которая объединяет все крупнейшие в России и СНГ социальные сети и сервисы с общим охватом более 140 млн человек. Благодаря VK Рекламе у рекламодателей есть единая точка доступа к аудитории рунета и колоссальному объёму мобильного трафика высокого качества. Ядро рекламной системы — аукцион, обеспечивающий эффективную реализацию выбранных рекламодателями стратегий ставок и подбор рекламы для пользователей. Мы ищем руководителя в команду вертикалей рекламы, которому интересно глубоко погрузиться в механику аукциона, растить эффективность рекламных продуктов и стратегий ставок с помощью методов машинного обучения. Что предлагаем: Возможность внедрять решения, влияющие на ~100 млн пользователей ежедневно Интересную предметную область — реклама сочетает в себе рекомендательную систему и аукцион со множеством дополнительных механизмов Технологические платформы компании, упрощающие внедрения в рантайм Задачи Руководить командой: наём, развитие, performance review Декомпозировать бизнес-цели и проекты до уровня задач для команды Повышать эффективность рекламы при помощи ML-алгоритмов Предлагать новые решения и проводить A/B-эксперименты для оценки гипотез Обеспечивать стабильность ML-решений в высоконагруженном рантайме Требования Опыт руководства командой ML или разработки от двух лет Опыт развития команды, проведения code review Практический опыт разработки на Java, Python или C++ Знание классических методов машинного обучения (линейные модели, градиентный бустинг, матричные факторизации, методы NLP) и DL Понимание принципов и методов предобработки данных, feature engineering и оценки моделей Знание алгоритмов и структур данных Будет плюсом Опыт разработки рекомендательных систем Опыт работы с большими данными (Spark, Hadoop, YTsaurus)

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

Location: Москва Workplace: Офисный Направление фильмов и сериалов в VK Видео отвечает за развитие одних из ключевых сценариев потребления: фильмы, сериалы, детский контент, ТВ-шоу и тематические подборки. Мы хотим сделать эти сценарии более удобными и персональными для пользователя: помогать находить хороший фильм на вечер, правильно выбирать следующую серию любимого сериала, продолжать просмотр с нужного места и получать релевантные рекомендации без дублей. Мы ищем руководителя команды, которая будет заниматься end-to-end развитием киносериальных рекомендаций: анализировать пользовательское поведение, формулировать и проверять гипотезы, развивать матчинг и дедупликацию контента, обучать модели, обеспечивать стабильную работу рантайма, проводить A/B-эксперименты и развивать систему метрик. Об одном из наших релизов можно прочитать здесь: https://vk.company/ru/press/releases/12243/ Что предлагаем: Большой масштаб — десятки миллионов пользователей, высоконагруженный рантайм и большие данные Значимую продуктовую зону — фильмы и сериалы являются одним из ключевых драйверов роста вовлечения и TVT Сильную техническую среду — Discovery-платформа, ML-инфраструктура, Java, YTsaurus, быстрый цикл экспериментов Нетривиальные задачи — матчинг тайтлов, дедупликация копий, рекомендации сериалов, подборки, работа с плейлистами и кластерными сущностями Реальное влияние на продукт — команда будет отвечать не только за модели, но и за качество пользовательских сценариев Задачи Руководить командой ML-инженеров и бэкенд-разработчиков: нанимать, развивать людей и выстраивать процессы Быть техническим владельцем направления и отвечать за качество рекомендаций фильмов и сериалов Формировать цели команды и декомпозировать их в понятные, достижимые задачи Проводить A/B-эксперименты, анализировать метрики и пользовательское поведение Выстраивать эффективное взаимодействие с продуктом, аналитиками, бэкендом и смежными ML-командами Требования Руководили ML-командой не менее двух лет Обладаете хорошими знаниями алгоритмов, структур данных и машинного обучения Имеете практический опыт разработки на Python, Java или C++ Работали с ML-решениями в условиях высокой нагрузки Умеете работать с продуктовыми метриками, A/B-тестами и пользовательскими гипотезами Будет плюсом Работали с рекомендательными, поисковыми или рекламными системами Имеете опыт работы с большими данными Работали с видео, медиа, UGC или стриминговыми продуктами Сталкивались с задачами матчинга или дедупликации

Location: Москва Workplace: Офисный Команда контекстных рекомендаций в VK Клипах отвечает за персонализацию коротких видео с учётом интересов пользователя в других продуктах VK. Сейчас наш основной фокус — клипы в VK Видео: мы используем информацию о просмотре длинных видео, чтобы лучше понимать предпочтения зрителя и рекомендовать ему интересные клипы. Наша задача — учитывать контекст продукта, в котором человек смотрит клипы, и помогать ему находить подходящий контент. Мы ищем руководителя команды, которая будет заниматься полным циклом развития контекстных рекомендаций: анализировать пользовательское поведение, находить полезные сигналы из других продуктов, формулировать и проверять гипотезы, обучать и внедрять модели, проводить A/B-эксперименты. Предстоит определять техническое развитие направления, развивать команду и вместе со смежными командами улучшать качество рекомендаций. Задачи Руководить командой: наём, развитие, performance review Декомпозировать бизнес-цели и проекты до уровня задач для команды Предлагать новые решения и проводить A/B-эксперименты для оценки гипотез Обеспечивать стабильность ML-решений в высоконагруженном рантайме Требования Опыт руководства командой ML или разработки от двух лет Опыт развития команды, проведения code review Практический опыт разработки на Java, Python или C++ Знание классических методов машинного обучения и DL Понимание принципов и методов предобработки данных, feature engineering и оценки моделей Знание алгоритмов и структур данных Опыт разработки рекомендательных или поисковых систем

Location: Москва Workplace: гибкий ML Media — продукт ML R&D: единый gateway для различных AI-технологий. Продуктовые команды VK интегрируются с платформой один раз и получают доступ ко всему спектру речевых и мультимедийных ML-моделей: ASR — распознавание речи: синхронное, асинхронное (длинные аудио) и realtime-стриминг TTS — синтез речи CV — компьютерное зрение: детекция лиц, оценка качества видео, deepfake-детекция, OCR VQE — улучшение качества речи: шумоподавление, определение голосовой активности Диаризация — разметка аудио по спикерам Суммаризация — краткое содержание аудио и видео на базе LLM: главные тезисы длинных записей за секунды, а не часы прослушивания За единым API платформа скрывает всю инженерную обвязку: маршрутизацию и балансировку нагрузки на GPU-парк с моделями на NVIDIA Triton Inference Server и vLLM, квоты и рейт-лимиты, асинхронную обработку длинных медиа, защиту GPU-парка от перегрузки и наблюдаемость всего контура. ML Media уже интегрирована с ключевыми продуктами VK: MAX, VK Мессенджер, VK ID, VK Звонки и VK Видео. Наши пользователи — миллионы людей, которые каждый день распознают и синтезируют речь, общаются с голосовыми ассистентами и смотрят видео. Сейчас мы проходим трек платформизации существующих технологий: ASR, TTS, CV и другие сервисы уже работают в production по отдельности — мы объединяем их в единую платформу с общим API, единой плоскостью управления и общей инфраструктурой. Отдельная инженерная задача — сделать так, чтобы подключение новой технологии к платформе занимало дни, а не месяцы. Команда интеграции технологий разрабатывает компоненты платформы — API-шлюз (gRPC, REST и MCP для LLM-агентов), плоскость управления (пользователи, токены, квоты), асинхронный контур обработки задач и клиентский инструментарий (CLI, MCP) — и отвечает за то, чтобы research-модели становились надёжными production-API. Задачи Разработка платформы: API-шлюз (gRPC, REST, MCP), плоскость управления (пользователи, токены, квоты), асинхронный контур обработки задач, клиентский инструментарий (CLI, MCP) Поддержка существующих интеграций: сопровождение интеграций продуктовых команд (MAX, VK Мессенджер, VK ID, VK Звонки, VK Видео), помощь в подключении, разбор инцидентов Балансировка и роутинг запросов к ML-бэкендам: кастомные gRPC balancer'ы, health-probing реальными inference-запросами, теговый роутинг моделей Admission control на основе утилизации GPU: метрики throughput, гистерезис throttle/reject, сигналы автоскейлеру Асинхронная обработка длинных медиа: Kafka-воркеры, outbox, ретраи и восстановление задач, партиционирование таблиц PostgreSQL Наблюдаемость и эксплуатация: Prometheus-метрики, Sentry, структурированные логи, поиск узких мест Взаимодействие с ML-командами и продуктовыми заказчиками, участие в проработке архитектуры Требования Опыт коммерческой разработки на Go Уверенное владение конкурентностью: goroutines, context, errgroup, graceful shutdown Опыт проектирования отказоустойчивых высоконагруженных систем Опыт с gRPC (streaming, interceptors), PostgreSQL, Redis, Kafka или другими брокерами сообщений Навыки диагностики production-проблем: метрики, логи, профилирование Системное мышление Будет плюсом Опыт с NVIDIA Triton Inference Server, vLLM или другими платформами ML-сервинга Понимание метрик ML-инференса: real-time factor, throughput, latency, утилизация GPU Опыт разработки кастомных gRPC balancer'ов или resolver'ов Опыт с admission control, capacity planning, автоскейлингом Понимание agentic AI: MCP, tool calling Опыт с sqlc, testcontainers, codegen-пайплайнами Знание Python — для взаимодействия с ML-кодом бэкендов

Location: Москва Workplace: гибкий Мы — команда рекламы e-commerce и сайтов в подразделении VK Рекламы. Занимаемся разработкой и поддержкой сервисов для рекламы товаров в интернете. В наши задачи входят как интеграции со смежными командами, так и с внешними партнёрами, построение пайплайнов обработки данных, а также непосредственно показ рекламы. Задачи Разработка и поддержка высоконагруженных бэкенд-сервисов в области рекламы e-commerce и рекламного кабинета Создание и совершенствование систем антифрода для защиты рекламного бюджета Разработка пайплайнов обработки событий в реальном времени (миллионы событий в сутки) Разработка новых рекламных форматов Работы по повышению отказоустойчивости и надёжности, мониторинг системы Требования Опыт коммерческой разработки на Golang и Python Знание и практический опыт работы с реляционными БД, Redis, Kafka и ClickHouse Опыт работы в среде Linux Основы computer science: знания о компьютерных сетях, сетевых протоколах, работе операционных систем Умение ясно доносить идеи и оценивать сроки выполнения задач Желание учиться новому Будет плюсом Опыт работы с YTsaurus Опыт в доменах рекламных технологий AdTech, e-commerce

Location: Москва Workplace: Комбинированный Мы — команда внутренних сервисов Поиска. Мы создаём внутренние сервисы и дата-пайплайны для сбора, обработки и доставки данных, необходимых поиску и другим продуктам экосистемы. Среди наших задач — интеграции с различными источниками и хранилищами, управление обработкой заданий и инструменты браузерной автоматизации. Часть системы представляет собой зрелую кодовую базу на Node.js и Python, а новые сервисы мы разрабатываем преимущественно на Python и Go. Задачи Разрабатывать и поддерживать дата-пайплайны и внутренние микросервисы поисковой платформы Создавать инструменты для сбора, обработки и обогащения данных из различных источников Развивать сервисы браузерной автоматизации и сетевого взаимодействия Улучшать существующие системы на Node.js и Python, разрабатывать новые сервисы на Python и Go Повышать надёжность обработки данных: работать с параллелизмом, тайм-аутами, повторными попытками и обработкой ошибок Требования Хорошее знание Python и (или) Go Знакомство с алгоритмами и структурами данных Понимание асинхронного программирования, конкурентности и многопоточности Понимание принципов разработки backend-сервисов и сетевого взаимодействия Готовность разбираться в большой существующей кодовой базе и поддерживать production-системы Будет плюсом Знание Node.js будет плюсом, но не является обязательным.

Location: Санкт-Петербург Workplace: Комбинированный Наша команда занимается внедрением AI в разработку на уровне всей компании VK. Наши клиенты — продуктовые команды из разных бизнес-юнитов компании. Сейчас мы активно развиваем свою платформу для создания автономных AI агентов-разработчиков, а также внедряем общие AI-решения для автономизации различных этапов цикла разработки. Ищем талантливого разработчика, которому интересны Agentic AI-системы, чтобы усилить нашу команду. Примеры задач: Улучшение облачной системы Sandbox'ов, предоставляющих безопасное изолированное окружение для работы автономных AI-агентов Разработка, улучшение и внедрение различных мультиагентных пайплайнов для автономизации SDLC Создание системы бенчмарков для оценивания эффективности автономных AI-агентов для разработки Улучшение качества работы автономных AI-агентов для разработки У нас интересно: Наша команда участвует в ключевых проектах компании Внутренние пользователи всегда рядом, сами приносят обратную связь и открыты к общению Разнообразные задачи и отсутствие рутины Широкие зоны ответственности и простор для творчества Нет лишней бюрократии Задачи Разработка платформы для создания автономных AI-агентов разработчиков Разработка и внедрение мультиагентных пайплайнов для автономизации SDLC Улучшение качества работы автономных AI-агентов разработчиков Требования Опыт коммерческой разработки production ready AI-систем Опыт или интерес к созданию инструментов для разработчиков: анализаторы кода, компиляторы, IDE-плагины, SWE AI-агенты и так далее Уверенные навыки по работе с AI-агентами в разработке и их применению в реальных задачах Понимание внутреннего устройства AI-агентов и базовых принципов agentic AI: prompt и context engineering для современных LLM, MCP, tool calling, etc. Опыт разработки и поддержки кода на Go (основной язык), Python или переход на них за испытательный срок Понимание принципов разработки ПО: подходы к тестированию и его виды, модели работы с Git, современные практики в CI/CD и всё остальное, с чем разработчики разных специализаций сталкиваются каждый день

Location: Москва Workplace: гибкий Наша команда отвечает за базу знаний и агентов — это ядро платформы, с которым напрямую работают клиенты. Мы строим RAG-системы для корпоративных данных: от загрузки и индексации документов до поиска и генерации ответа. Мы также разрабатываем самих агентов, которые используют эти знания в рабочих сценариях. Задачи Руководить командой разработки направления RAG: отвечать за delivery, качество и стабильность сервисов команды Совмещать управление командой с разработкой — ориентировочно 50% времени работать hands-on Планировать работу команды, декомпозировать и оценивать задачи, управлять выполнением roadmap, багами и техническим долгом Осуществлять техническое лидерство команды: проводить технические проработки, определять архитектуру и технические решения внутри сервисов RAG, проводить code review Участвовать в проработке архитектурных решений на уровне платформы совместно с главным архитектором Разрабатывать и развивать сервисы на Python в области RAG и баз знаний Провести декомпозицию существующих компонентов RAG, реализованных на Ray.io, на отдельные сервисы и участвовать в переходе от текущей архитектуры на Ray к целевой сервисной архитектуре Развивать контур работы с данными и знаниями: загрузку и индексацию данных, парсинг и разбиение документов, embeddings, retrieval, reranking, vector DB, базы знаний и evaluation Отвечать за инженерное качество сервисов команды: тестирование, наблюдаемость, производительность, отказоустойчивость и стабильность в production Участвовать в L4-поддержке сервисов команды и инцидент-менеджменте Проводить people management команды: 1:1, performance review, развитие сотрудников, наём, проведение испытательных сроков Синхронизироваться с продуктовыми и техническими командами платформы по зависимостям и совместным задачам Требования Сильный опыт backend-разработки на Python и опыт самостоятельной разработки production-сервисов Опыт управления командой разработки и ответственность за её delivery Опыт технического лидерства: проектирование сервисов, проведение технических проработок, принятие архитектурных решений, code review Готовность совмещать роль Team Lead с активной разработкой руками Уверенное знание Python, asyncio и FastAPI Опыт работы с PostgreSQL и проектирования схем хранения данных Понимание принципов построения распределённых backend-систем, асинхронной обработки и взаимодействия сервисов Опыт проектирования и декомпозиции сервисной архитектуры, выделения отдельных сервисов из существующих крупных компонентов Опыт работы с брокерами сообщений, желательно NATS Опыт эксплуатации и развития production-сервисов, понимание требований к качеству, стабильности, наблюдаемости и производительности Умение организовывать работу команды: планирование, декомпозиция, оценка задач, управление техническим долгом и багами Опыт people management: развитие сотрудников, обратная связь, performance review и наём Будет плюсом Практический опыт разработки RAG-систем и сервисов баз знаний Опыт работы с retrieval, reranking, embeddings, индексацией, chunking и оценкой качества RAG Опыт работы с Ray/Ray.io и системами, построенными на нём Опыт работы с Qdrant или другими векторными базами данных Опыт работы с Elasticsearch/OpenSearch Опыт работы с Kubernetes Знание Go, опыт разработки сервисов на Go или желание его получить в будущем

Location: Москва Workplace: гибкий Команда занимается разработкой и поддержкой внутренней платформы для автоматизации бизнес-процессов, в частности при помощи AI-агентов. Наша цель — сделать автоматизацию доступной для максимально широкого круга пользователей и при этом обеспечить высокий уровень надёжности. Задачи Разработка и развитие ядра графового интерпретатора и backend-функциональности остальных сервисов платформы Проектирование и реализация новых сервисов Оптимизация производительности, стабильности и масштабируемости AI-платформы Участие в проработке архитектуры и технических решений по продуктовым задачам Разбор инцидентов, поиск узких мест, улучшение наблюдаемости и качества эксплуатации Взаимодействие со смежными backend-командами и внутренними заказчиками Участие в код-ревью, техническом обсуждении задач и формировании инженерных практик команды Требования Опыт разработки на Go Опыт проектирования и разработки отказоустойчивых Cloud-Native систем Системное мышление Будет плюсом Знание Python Опыт работы с Mongo, Redis, Kafka, PostgreSQL Опыт работы с N8N или другими подобными платформами Понимание внутреннего устройства AI-агентов и базовых принципов agentic AI: prompt и context engineering для современных LLM, MCP, tool calling, etc.

Location: Москва Workplace: Комбинированный Мы создаём платформу персонализации для всех продуктов VK. На нашей инфраструктуре работают рекомендательные системы, поиск и реклама крупнейших продуктов компании, масштаб которых достигает 300 млн пользователей и почти миллиарда единиц контента. Немного о нашем масштабе: 1 млн vCPU вычислительных мощностей Сотни тысяч персональных подборок в секунду Более 300 инженеров из продуктовых команд используют нашу платформу, большинство из них — ML-инженеры Tier A, доступность более 99,99%. Мы умеем строить отказоустойчивые real-time системы и обеспечивать их работу под огромной нагрузкой Наша миссия — сделать платформу, на которой продуктовые команды могут быстро воплощать идеи, экспериментировать и растить метрики, не задумываясь о сложности инфраструктуры. При этом платформа должна эффективно работать даже в масштабах крупнейших интернет-продуктов. Наш технологический стек: Java (99% кодовой базы), C++ и Python для GPU-сервисов. Активно используем экосистему распределённых вычислений YTsaurus и разрабатываем собственные инфраструктурные решения. Задачи Мы ищем Team Lead в одну из команд платформы персонализации, которая отвечает за инфраструктуру поисковых сценариев. Один из главных инженерных вызовов в поиске — найти оптимальный баланс между потреблением RAM и CPU. Поисковые системы предъявляют особенно высокие требования к полноте данных, скорости их доставки и эффективности индексации. При этом важно обеспечивать предсказуемую производительность и эффективно использовать вычислительные ресурсы. В команде мы разрабатываем собственное реплицированное in-memory хранилище, технологии индексации контента и инфраструктуру для поисковых сценариев. Вам предстоит: Руководить командой инженеров: развивать сотрудников, участвовать в найме и отвечать за результаты команды Определять техническое развитие команды и принимать архитектурные решения Развивать технологии хранения и индексации данных, оптимизировать производительность и использование ресурсов Пример задачи, над которой работаем прямо сейчас: Реализовать персонализированное ранжирование поисковой выдачи, используя возможности платформы персонализации Почему у нас интересно: Масштаб, который редко встречается. Здесь даже небольшое архитектурное решение может влиять на миллионы пользователей и потребление тысяч CPU Сложные инженерные задачи. Мы не просто интегрируем готовые технологии, а создаём собственные решения для хранения, обработки и доставки данных в реальном времени Влияние на продукты. Результатами нашей работы пользуются более 300 инженеров продуктовых команд, а сама платформа лежит в основе ключевых продуктов VK Сильная инженерная экспертиза. Мы умеем строить системы с доступностью более четырёх девяток и постоянно работаем над тем, чтобы делать их быстрее, надёжнее и эффективнее Требования Опыт руководства инженерной командой, включая people management Уверенное знание Java или опыт разработки на другом современном языке с готовностью перейти на Java Хорошее понимание алгоритмов и структур данных Интерес к распределённым системам, большим данным и высоконагруженным сервисам. Опыт работы с ними будет преимуществом Любовь к технически сложным задачам, оптимизации кода и поиску эффективных решений Будет плюсом Опыт разработки поисковых или рекомендательных систем Знакомство с машинным обучением и инфраструктурой для ML

Location: Москва Workplace: гибкий Наша команда разрабатывает и развивает Поиск по ведущему российскому магазину мобильных приложений, которыми пользуются миллионы пользователей каждый день. За каждой поисковой вертикалью стоят ML-алгоритмы, пайплайны обработки больших данных и множество A/B-экспериментов. Мы ищем Backend-разработчика, которому интересно погрузиться в область поискового ранжирования и работать над повышением качества поиска с помощью методов машинного обучения. Вы будете самостоятельно придумывать, рассчитывать и разрабатывать признаки, которые позволят лучше понимать контекст поисковой сессии. Часто для этого придётся обрабатывать большие объёмы данных с использованием современных технологий. Вы будете внедрять и использовать модели машинного обучения: от классических ML-моделей до самых современных нейросетей и LLM. Вы будете улучшать инфраструктуру поиска с использованием лучших практик, принятых в крупнейших ИТ-компаниях. Задачи Улучшать алгоритмы и модели ранжирования приложений по запросам Придумывать и разрабатывать признаки, описывающие пользователей и приложения Внедрять в поиск дополнительные данные, которые помогут улучшить пользовательский опыт Внедрять различные ML-модели, помогающие улучшить качество поисковой выдачи Разработка и развитие процессов обработки, подготовки и оперативной доставки данных Требования Уверенное владение С++ и Python Знание классических алгоритмов, структур данных и основных методов ML Опыт работы с технологиями обработки больших данных Готовность изучать и использовать новые технологии Готовность внедрять ML-решения в Поиск Открытость, самостоятельность, проактивность

Location: Москва Workplace: Комбинированный Наша команда развивает экосистемные сервисы VK — решения, которые упрощают пользовательский опыт и создают удобную экосистему из существующих продуктов внутри и за пределами VK. Задачи Разрабатывать и дорабатывать конфигурации BPMSoft с нуля и с использованием стандартных инструментов конфигуратора Создавать базовые компоненты платформы: схемы, модули, детали, кнопки, поля Настраивать страницы разделов: валидацию, видимость, доступность и обязательность полей Добавлять и настраивать детали, включая фильтрацию и кастомизацию отображения Разрабатывать клиентские схемы, расширять и переопределять базовые модули Подключать зависимости в клиентских схемах с пониманием целей и последствий Работать с Sandbox для обмена данными между модулями Обрабатывать событийную модель: сохранение, изменение, стартовые сигналы бизнес-процессов Писать интеграции через бизнес-процессы и веб-сервисы REST/SOAP Поднимать приложение локально, включая сборку в Docker Отлаживать серверную и клиентскую части, работать с логами Анализировать и дорабатывать чужой код Работать с Git в команде Требования Глубокое знание архитектуры BPMSoft и уверенная настройка системы через конфигуратор Опыт локального развёртывания приложения, в том числе из Docker Знание C#, JavaScript, .NET на уровне, достаточном для решения задач средней сложности Уверенная работа с PostgreSQL: JOIN, индексы, триггеры, запросы по нескольким таблицам Понимание различий между Select и EntitySchemaQuery и умение выбирать подходящий инструмент Опыт работы с ClassFactory Понимание жизненного цикла клиентской схемы Навыки отладки клиент-серверного взаимодействия Будет плюсом Сертификат BPMSoft Разработчик — продвинутый уровень Знание Go и (или) Python Понимание смежного frontend/backend-стека: React, TypeScript, RxJS Опыт интеграции BPMSoft со смежными системами Опыт миграции с других CRM-систем, включая Salesforce, Microsoft Dynamics, 1С, на BPMSoft