Вакансии

Требования: — Опыт в финтехе будет большим плюсом О компании: Создаем и развиваем ML-продукты и аналитические решения для кредитного и страхового рынка.

Задачи: — Владение AI-функциями от концепции до продакшена в высоконагруженной среде (50k RPS, 450M пользователей). — Работа с LLM и обучение специализированных моделей для приложений в реальном времени. — Тесное сотрудничество с продакт-менеджерами для реализации эффективных решений. — Оценка производительности моделей и адаптация подходов на основе реальных данных. Требования: — Опыт разработки ПО 5+ лет с практической работой в ML/AI. — Подтверждённый опыт работы с LLM: контекстная инженерия, использование инструментов и адаптация моделей. — Сильные навыки обучения кастомных моделей на сложных производственных данных. — Владение Python и PyTorch, понимание практик продакшен-инжиниринга. — Английский язык на уровне Intermediate или выше. Желательно: — Опыт обработки видео/аудио в реальном времени. — Знакомство с рекомендательными системами и онлайн-экспериментами. — Знание Docker, Kubernetes, GCP и инфраструктуры машинного обучения. Условия: — Конкурентная зарплата, бонусы и опционы (все являются партнёрами). — Официальное трудоустройство на Кипре с поддержкой визы для сотрудника и супруга. — Офис в центре Лимассола с питанием и командной культурой. — Медицинская страховка (100% для сотрудника, 75% для семьи). — Возможности профессионального роста и корпоративные семейные мероприятия. Формат работы: офис, Лимассол.

Задачи: — Подготавливать данные и выстраивать пайплайны обучения. — Проводить эксперименты с архитектурами, методами и режимами обучения. — Обучать модели с нуля и адаптировать их под целевые задачи. — Оценивать качество моделей, анализировать ошибки и улучшать результаты. Требования: — Практический опыт обучения языковых моделей: от подготовки данных до оценки результата. — Опыт аналогичных проектов либо адаптации готовых моделей методами, выходящими за рамки SFT. — Уверенное владение Python и PyTorch. — Понимание принципов обучения трансформеров и опыт работы с GPU. Будет плюсом: опыт распределённого обучения, оптимизации памяти и скорости обучения, работы с моделями для кода и вызова инструментов. Проекты для заказчиков под NDA — подробности обсудим лично.

Задачи: — развитие ML-части e-commerce поиска: vector search, reranking, query understanding и ranking на основе click/conversion signals. — работа с production проектами на OpenSearch с реальными пользовательскими данными и задачами Search Relevance.

Требования: — Уверенный опыт работы с LLM/SLM (Few-shot learning, prompt engineering) и BERT (классификация сценариев и интентов); — Практический опыт finetuning LLM (PEFT, LoRA/QLoRA) под узкие прикладные задачи; — Уверенный дебаг LLM: умение быстро понять, почему модель ответила не так, и исправить это промптом, гиперпараметром или файнтюном; — Опыт дообучения и оптимизации TTS-моделей; — Опыт работы и интеграции современных ASR-систем (в частности, GigaAMv2); — Опыт работы как с графовыми/сценарийными диалоговыми движками, так и с LLM-агентами; — Высокая скорость диагностики проблем в инференсе, локализации багов и принятия инженерных решений; — Уверенное владение Python (PyTorch, huggingface, фреймворки инференса) и Go; — Опыт работы с оптимизацией инференса под low-latency (vLLM, TensorRT-LLM, Triton Inference Server, ONNX Runtime); — Практика работы со потоковым аудио в реальном времени (streaming ASR/TTS, gRPC-контракты); — GoLang: - Базовое понимание по дизайну сервисов; - Понимание SOLID, DRY и KISS паттернов; - Знание типизации в Go, хотя бы базовые типы (строки, числа, слайсы и мапы); - Знание примитивов синхронизации и конкуренции (как синхронизировать горутины, как работать с каналами); - Знание указателей и работы с ними; - Observability; - Будет плюсом: опыт работы с GRPC; - Будет плюсом: умение настроить инфраструктуру, k8s/inventory, знания работы TCP. Задачи: — Поэтапный перевод системы с графа сценариев и скиллов на управляемый LLM-based диалог; — Дебаг голосового пайплайна (поиск причин high latency, галлюцинаций LLM, проблем с передачей аудио, графовых ошибок и т.п.); — Оперативное принятие архитектурных решений и их самостоятельная реализация в коде; — Поддержка и быстрая отладка few-shot классификации сценариев на базе Qwen и классификаторов на BERT; — Учёт краевых случаев, исправление ошибочных срабатываний интентов; — При необходимости — finetuning локальных LLM (извлечение сущностей, удерживание инструкций); — Интеграция и поддержка ASR на базе GigaAMv2 (отладка качества распознавания, работы VAD и передачи текста дальше по пайплайну); — Дообучение и настройка инференса собственных и опенсорсных TTS и систем клонирования голоса для достижения нужного качества звучания и скорости работы.

Задачи: — Разрабатывать CV/ML-решения для преобразования чертежей в структурированные инженерные данные. — Работать с OCR, raster/vector geometry, CAD/BIM и пространственными связями. — Строить пайплайны оценки качества моделей и human-in-the-loop workflows. — Доводить модели до production, обеспечивать воспроизводимость обучения и deployment. — Определять технические подходы и принимать самостоятельные ML-решения. Требования: — 5+ лет опыта в ML/CV, включая production. — Опыт работы с геометрией, структурированными данными и сложными документами. — Сильные навыки оценки качества моделей и технической коммуникации. — English B2–C1, Russian C1–C2/native. Будет плюсом: опыт с CAD/BIM, архитектурными чертежами, OCR и raster-to-vector reconstruction. Предпочтительные часовой пояс: GMT+3–GMT+7.

Задачи: – Исследовать и прототипировать новые методы контроля качества данных на наших данных. – Проектировать ML- и статистические контроли для выявления аномалий, дрейфа распределений, деградации свежести данных, нарушений сезонных паттернов и нетипичных комбинаций метрик. – Строить базовые ожидания по DQ-метрикам: row_count, null_rate, unique_count, свежесть данных, доли категорий. – Подбирать подходящие методы под конкретную задачу: от простых правил и статистических проверок до ML-моделей. – Валидировать контроли без готовой разметки: проверять их на исторических данных, использовать синтетические аномалии, shadow mode и анализ ложных срабатываний. – Интегрировать решения в production-пайплайны: Airflow, PySpark, Hive/Hadoop. – Настраивать алертинг для операционных команд и сопровождать решения в production. Требования: – Опыт в ML / Data Science от 3 лет. – Уверенное владение Python (pandas, numpy, scikit-learn) и SQL. – Ключевой стек: Python, SQL, Airflow, PySpark, Hadoop/Hive, MLflow. – Сильная база по математической статистике и классическому машинному обучению: линейные модели, деревья, бустинги. – Опыт с методами выявления аномалий и/или обнаружения дрейфа данных. – Опыт работы с временными рядами. – Опыт вывода моделей в production, их мониторинга и версионирования. – Понимание, где действительно нужен ML, а где достаточно правила, SQL-проверки или статистического базового контроля. – Критично: Знание ML + Airflow.

Задачи: — Разработка моделей для recommendation, ranking, forecasting, pricing и optimization. — Тестирование гипотез и проведение экспериментов. — Оценка влияния моделей на бизнес-метрики. — Вывод ML-решений в production. Требования: — Есть 1–2+ года опыта в ML Engineering, Data Science или Research Engineering. — Уверенно владеете Python и SQL. — Сильная база в математике, статистике и machine learning. — Работали с production ML и современным стеком.

Задачи: — участие в аналитическом проекте в роли ML-инженера. Требования: — опыт работы с Python, vLLM, Ollama, llama.cpp. — опыт локального развертывания LLM-моделей (Llama-3, Qwen) и работы с форматами GGUF, FP8, AWQ. Будет плюсом: — опыт дообучения моделей (Fine-Tuning, LoRA, QLoRA) и построения RAG-систем (ChromaDB, Qdrant). — умение писать парсеры с использованием Selenium и Playwright. Условия: — работа в офисе или гибридный формат в Москве. — оффлайн-контур (Air-Gapped). — мощное оборудование: Mac Studio 512GB с Ubuntu и NVIDIA RTX PRO 6000 96GB. — есть тестовое задание, для выполнения которого необходимо присутствие в офисе. — оплата кэш/крипта, выше рынка.

Задачи: — участие в аналитическом проекте в роли ML-инженера. Требования: — опыт работы с Python, vLLM, Ollama, llama.cpp. — опыт локального развертывания LLM-моделей (Llama-3, Qwen) и работы с форматами GGUF, FP8, AWQ. Будет плюсом: — опыт дообучения моделей (Fine-Tuning, LoRA, QLoRA) и построения RAG-систем (ChromaDB, Qdrant). — умение писать парсеры с использованием Selenium и Playwright. Условия: — работа в офисе или гибридный формат в Москве. — оффлайн-контур (Air-Gapped). — мощное оборудование: Mac Studio 512GB с Ubuntu и NVIDIA RTX PRO 6000 96GB. — есть тестовое задание, для выполнения которого необходимо присутствие в офисе. — оплата кэш/крипта, выше рынка.

Ищем ML-инженера с сильным практическим опытом работы с LLM: fine-tuning, post-training, evaluation и inference. Важно: это не позиция классического ML Engineer / Data Scientist. Нужен кандидат, который самостоятельно обучал и адаптировал LLM и понимает полный цикл — от данных и обучения до evaluation и deployment. Задачи: - Разработка и улучшение пайплайна LLM post-training: SFT, preference optimization, Offline / Online RL; - Улучшение instruction following и построение системы benchmarking / evaluation; - Обучение LoRA / QLoRA-адаптеров под различные домены и задачи; - Работа с reward models / verifiers и reward functions для RL; - Разработка RAG-систем: retrieval, reranking, context construction и evaluation; - Обучение и интеграция tool use / function calling / structured outputs; - Оптимизация inference и serving моделей с использованием vLLM / SGLang; Обязательные требования: - Практический опыт fine-tuning / post-training LLM; - Опыт с SFT и preference optimization: DPO / IPO / ORPO / SimPO или аналогами; - Опыт или хорошее практическое понимание Online RL для LLM: GRPO / GSPO или аналогичных методов; - Понимание reward models, preference data и LLM evaluation; - Уверенное владение Python, PyTorch, Hugging Face Transformers; - Опыт с TRL и/или verl; - Опыт с LoRA / QLoRA / PEFT; - Опыт inference / serving через vLLM и/или SGLang; - Опыт разработки RAG, tool use или structured generation; - Понимание архитектуры современных LLM и особенностей их обучения и inference; - Опыт работы с GPU, distributed training и Linux / Docker / Git; - Умение самостоятельно ставить эксперименты, выбирать метрики и анализировать результаты. Будет плюсом: - Continual / domain pre-training; - Reasoning RL; - Multilingual LLM или code generation; - FSDP / DeepSpeed / Megatron-LM; - Quantization и оптимизация inference.

Задачи: — Проводить исследования на основе большого количества реальных гитарных джемов — Работать с open source моделями, адаптация под музыкальные задачи — Отвечать за полный цикл: от идеи и исследования до реализации и деплоя — Генерировать и распознавать игру на инструментах — Тестировать на слух — с гитарой в руках — Работать с инфраструктурой: Docker, облака, MLOps Требования: — Играть на гитаре и быть увлечённым музыкой — Опыт в voice/audio ML — генерация, распознавание, обработка звука — Умение адаптировать open source модели под задачу Условия: — Удалённая работа — Вилка зарплаты от 3 000 до 6 500 € в месяц (гросс) — Использование Runpod с любыми нужными конфигурациями, продакшн — on-premises + Runpod — Для работы предоставляется MacBook и все необходимые сервисы — Влияние на core-бизнес прямое и ощутимое — один технический специалист в команде стартапа — Приоритетный продукт компании — Короткий дейлик по утрам, дальше спокойно работаем — Карьерный рост вместе с продуктом — 80% времени — исследования, 20% — продакшн — Лидерская функция — формирование направления, а не поддержка чужого

Задачи: — улучшать рекомендации — искать гипотезы — прототипировать на GPU — выкатывать в A/B-тесты Требования: — опыт 3+ года — знание Python, SQL, Spark, Docker, Git, ClickHouse, Redis, Deep Learning Условия: — удалённая работа или офис — фултайм

Задачи: — Разрабатывать, обучать и внедрять ML/DL-модели для бизнес-задач. — Строить AI-агентов и multi-agent workflows с tool/function calling, MCP и LangGraph/LangChain (или аналогами). — Проектировать RAG-системы: эмбеддинги, hybrid search, reranking и векторные БД. — Выполнять fine-tuning LLM, оптимизировать inference и интегрировать модели через API и микросервисы. — Участвовать в MLOps/LLMOps: evaluation, мониторинг, tracing, guardrails и повышение качества AI-систем. Требования: — Опыт: от 2 лет в ML/DL или разработке AI-систем. — Стек: Python, NumPy/pandas, scikit-learn, PyTorch / TensorFlow, Hugging Face Transformers. — Знания: понимание ML/DL, архитектуры трансформеров и принципов работы LLM. — Навыки: практический опыт с AI-агентами, RAG, vector DB и structured output; уверенный Git и деплой в production. — Языки: знание узбекского и английского (Intermediate+) языков. Будет преимуществом: — Разработка API на FastAPI / Django REST Framework и контейнеризация с Docker. — Computer Vision и видеоаналитика (OpenCV, YOLO, tracking, RTSP). — MLOps/LLMOps-инструменты, self-hosted inference, GPU и Kubernetes. — Мультимодальные модели или голосовые пайплайны (STT-LLM-TTS). Условия: — Развитие: оплачиваемые профильные курсы, IT-конференции, фестивали и тимбилдинги. — Условия: бесплатные вкусные обеды в офисе. — Карьера: реальные масштабные задачи, влияние на продукты компании, профессиональный и финансовый рост. — Локация: офис в г. Ташкент. — График: 5/2, с 09:00 до 18:00. — Командировки: в г. Коканд (организуются и оплачиваются компанией). — Зарплата: От 14.000.000 сум.

Задачи: — Разработка и улучшение пайплайна LLM post-training: SFT, preference optimization, Offline / Online RL; — Улучшение instruction following и построение системы benchmarking / evaluation; — Обучение LoRA / QLoRA-адаптеров под различные домены и задачи; — Работа с reward models / verifiers и reward functions для RL.

Задачи: — Ускорять и масштабировать LLM в продакшене: оптимизация инференса очень больших моделей (до 1T+ параметров), SGLang, KV/prefix caching, speculative decoding, квантизация. — Разворачивать распределенный инференс: MoE, tensor/expert/pipeline parallelism на multi-node / multi-GPU кластерах (32x H200 + AWS). — Заниматься Post-Training: обучать и дообучать модели компаньонов (SFT, DPO/RLHF), улучшать агентные каркасы и алгоритмы чата. — Осуществлять техлидство (без бюрократии и PM): ревью экспериментов команды NLP/CV (7 инженеров), выбор направлений и оценка гипотез. Требования: — Глубокий опыт оптимизации LLM в продакшене (SGLang, vLLM или TensorRT-LLM). — Опыт распределенного инференса/обучения гигантских моделей (MoE, multi-node clusters). — Понимание профилирования GPU, работы attention-кернелов и KV-cache. — Практика дообучения моделей (RLHF, DPO или аналоги). — Сильный бэкграунд на PyTorch / Transformers. — Английский или русский язык на профессиональном уровне. Плюсом будет: — Опыт разработки CUDA / Triton кернелов. — Бэкграунд в CV (опыт ускорения инференса гигантских GenAI моделей). — Опыт работы в AI-стартапах (Character.ai, Replika, OpenAI и др.) или BigTech (Яндекс, Сбер, T-Bank, Nebius, Meta, Mistral). — Профильное математическое / CS образование (МГУ, МФТИ, ВШЭ, Бауманка или топовые зарубежные вузы). Условия: — Полный Remote и максимум свободы без корпоративного gatekeeping. — Скорость: идеи становятся live-экспериментами за дни, а не quarters. — 28 дней отпуска + 7 wellness-дней в год без больничных листов. — $1,000 на обустройство хоум-офиса раз в 3 года. — Софинансирование обучения, конференций (50%) и медицинских расходов (до $1,000/год). — Доступ к опциональной A-team программе (опционы / % от выручки) после 1 года работы.

Задачи: — Проводить исследования на основе большого количества реальных гитарных джемов — Работать с существующими open source моделями и трансформировать их под музыкальные задачи — Вести полный цикл от идеи и исследования до реализации и деплоя — Заниматься и генерацией, и распознаванием игры на музыкальных инструментах — Тестировать результат сам — садиться с гитарой и проверять на слух — Строить и поддерживать инфраструктуру (Docker, облака, MLOps) Требования: — Играет на гитаре и любит музыку — Имеет опыт в audio/speech ML — генерация, распознавание, обработка звука — Готов вести полный цикл — исследования, реализация, деплой, инфраструктура (Docker, облака, MLOps)

Location: Moldova Company Background Coherent Solutions is a global digital product engineering company founded in 1995 and headquartered in Minneapolis, Minnesota. With a presence in nine countries and a team of more than 1,700 engineers, the company provides custom software development and engineering services across web and mobile applications, cloud, DevOps, and data. Coherent Solutions works with clients worldwide to build and scale digital products while fostering a culture of collaboration, transparency, and continuous professional growth. Project Description You will work with senior engineers on internal classical machine learning initiatives. The role combines structured learning, practical delivery, and gradual ownership of increasingly complex tasks. Technologies Python, pandas, NumPy, scikit-learn, Jupyter SQL XGBoost, LightGBM MLflow FastAPI Git, Docker, pytest What You'll Do Prepare and validate structured datasets for machine learning tasks, including cleaning, transformation, encoding, scaling, and missing-value handling; Conduct exploratory data analysis to identify patterns, data quality issues, and opportunities for modeling; Build, test, and compare ML models for tasks such as regression, classification, clustering, dimensionality reduction, and anomaly detection; Develop and select features with guidance from senior engineers; Run experiments, tune model parameters, and evaluate results using appropriate validation approaches and metrics; Help maintain reproducible ML pipelines, notebooks, experiment tracking, and technical documentation; Write and maintain automated tests for data and model-related code; Support the delivery of models through REST APIs or batch-processing workflows; Document model assumptions, results, limitations, and technical decisions; Work closely with senior engineers, incorporate feedback, and gradually take ownership of more complex tasks; Job Requirements 1+ year of hands-on Python development experience, including experience with pandas, NumPy, scikit-learn, and Jupyter; A strong foundation in statistics, probability, and linear algebra, plus exploratory data analysis skills; An understanding of supervised and unsupervised learning, and practical experience with regression, classification, clustering, dimensionality reduction, and anomaly detection; Experience preparing structured datasets, including cleaning, transformation, encoding, scaling, and missing-value handling, plus practical feature engineering and feature-selection skills; An understanding of train/validation/test splits, cross-validation, data leakage, overfitting, and regularization; the ability to select appropriate evaluation metrics, compare models, and perform error analysis; Familiarity with hyperparameter tuning and reproducible ML pipelines; SQL skills for data extraction and analysis; The ability to expose models through REST APIs or batch-processing workflows; Familiarity with Git, automated testing, Docker, and basic model monitoring; The ability to explain model behavior, assumptions, limitations, and results; English at B2 level or higher; Nice To Have XGBoost, time-series analysis, recommendation systems, MLflow, model interpretability, cloud services, production ML monitoring, and GenAI, LLM, RAG, prompt-engineering, or agent-development experience; What Do We Offer The global benefits package includes: Technical and non-technical training for professional and personal growth; Internal conferences and meetups to learn from industry experts; Support and mentorship from an experienced employee to help you professional grow and development; Health insurance; Sports activities to promote a healthy lifestyle; Flexible work options, including remote and hybrid opportunities; Referral program for bringing in new talent; Work anniversary program and additional vacation days.