Вакансии

Задачи: — Проектировать и разрабатывать AI-агентов: реализовывать сценарии, оркестрацию, tool calling и интеграции с внутренними сервисами — Превращать прототипы и модели Data Science в надёжные промышленные решения: упаковывать, встраивать в сервисы и пайплайны, версионировать и сопровождать — Разрабатывать на Python сервисы, библиотеки и пайплайны, писать автотесты и участвовать в код-ревью — Проектировать, строить и сопровождать витрины данных для ML-моделей и агентов — Обрабатывать большие объёмы данных с помощью SQL, Hadoop и Spark, оптимизировать запросы и вычислительные задачи — Обеспечивать качество и наблюдаемость решений: логирование, мониторинг, обработку ошибок и контроль качества данных Требования: — Опыт промышленной разработки на Python от 2 лет — Умение писать поддерживаемый код: типизация, тестирование, обработка ошибок, логирование и работа с зависимостями — Уверенное владение SQL: сложные запросы, оконные функции, оптимизация и работа с большими наборами данных — Опыт построения и сопровождения ETL/ELT-пайплайнов и витрин данных — Опыт вывода сервисов, моделей или data-продуктов в промышленную эксплуатацию — Понимание принципов работы AI-агентов: оркестрация, tool calling, управление состоянием и интеграция с API — Понимание жизненного цикла ML-модели — от артефакта и данных до инференса, мониторинга и обновления Будут плюсом: — опыт с LangGraph, LangChain, LlamaIndex или собственными оркестраторами — LLM, RAG и векторные хранилища — оркестрация в Airflow — Kafka и событийные архитектуры — Docker, CI/CD и Kubernetes — Hadoop и Spark — внедрение ML/LLM-сервисов во внутреннем контуре — опыт в банковском домене или продуктах для юридических лиц

Задачи: — Владение AI-функциями от концепции до продакшена, интеграция LLM и кастомных моделей. — Работа с задачами реального времени в области live-стриминга: модерация контента, рекомендации и прочее. — Обучение и донастройка моделей на продакшен-данных с обеспечением производительности под реальной нагрузкой. — Оценка и выбор между созданием собственных моделей и покупкой готовых на основе данных. — Тесное сотрудничество с продакт-менеджерами и кросс-функциональными командами для разработки функций. Требования: — Опыт разработки ПО 5+ лет с практическим опытом работы с LLM. — Подтверждённый опыт обучения и деплоя моделей машинного обучения. — Сильные навыки Python и PyTorch, знание production-level сервинга. — Понимание принципов production engineering: мониторинг, отладка, оптимизация. — Английский на уровне Intermediate или выше. Плюсы: — Опыт работы с real-time видео/аудио инференсом, модерацией контента или рекомендательными системами. — Знакомство с ML инфраструктурой: Docker, Kubernetes, GCP. Условия: — Конкурентная зарплата, бонусы и опционы (все являются партнёрами). — Официальное трудоустройство на Кипре с поддержкой визы для сотрудника и супруга. — Комфортный офис в Лимассоле с питанием и перекусами. — Медицинская страховка: 100% для сотрудника, 75% для семьи. — Доступ к матчам и мероприятиям Aris Limassol F.C. — Возможности профессионального роста и командных активностей. Формат работы: onsite (офис в Лимассоле).

Задачи: — Оптимизировать выдачу на страницах категорий, каналов и тегов — Строить text-to-video поиск, embedding-модели, ранжирование, семантический поиск — Превращать ML-прототипы в production-сервисы, оптимизация inference, профилирование, подготовка фич, контроль качества моделей — Разрабатывать высоконагруженные ML сервисы на Python включая gRPC/Triton Требования: — Уверенные знания Python и ML-фреймворков (PyTorch, CatBoost и др.) — Опыт работы с рекомендательными системами, поиском или смежными задачами от 2 лет — Опыт внедрения моделей в продакшн — Понимание принципов оффлайн и онлайн оценки моделей. Условия: — Работа над ML-продуктом с миллионами пользователей и живыми метриками — Компактная команда, каждый инженер влияет на продукт — Простая структура — минимум бюрократии, максимум ответственности — Стабильная зарплата, ежегодный рейз и премии — Бонусы: медстраховка, налоговая компенсация, обучение, техника, курсы языков — Релокация на Кипр: визовая поддержка, оплата переезда, билеты и первый месяц жилья

Задача: — Изучить исторические торговые данные для двух связанных инструментов (ордербуки, сделки и другие параметры). — Построить модель, предсказывающую индикаторы будущей цены одного из инструментов. Особенности: — Работа на реальных биржевых маркет-данных. — Предоставлен большой датасет по сравнению с прошлыми задачами. — Классическая задача кванта, с которой сталкиваются в работе. Перспективы: — Лучшие решения получают приглашение на техническое собеседование в фонд. — Предусмотрены денежные призы: общий фонд $13,600. — Сроки проведения: 11 сентября — 15 ноября.

Ищем Data Scientist / ML Engineer для запуска кредитного скоринга на международных рынках. Предстоит адаптировать модели и scoring pipeline к новым странам, оценивать качество и обрабатывать разнородные данные — от финансовой отчётности и документов до внешних и альтернативных источников.

Задачи: — Строить конвейеры подготовки данных: сбор, очистку, нормализацию, дедупликацию и разметку — Формировать обучающие, валидационные и независимые оценочные выборки, контролировать утечки и пересечения — Создавать baseline для задач извлечения, классификации, определения сущностей и связей — Дообучать модели, готовить инструктивные наборы, обучать адаптеры и сравнивать результаты с базовыми моделями — Определять метрики, стратифицировать выборки и анализировать ошибки по типам документов, сценариям и полям — Работать с извлечением сущностей и связей для построения и обновления графового представления данных — Разворачивать локальный inference и оптимизировать его под доступную инфраструктуру — Работать с tensor parallelism, batching, длиной контекста, GPU-памятью и квантованием Требования: — Стек: Python, PyTorch, Hugging Face Transformers, PEFT, pandas, SQL, PostgreSQL, Airflow (или аналог), MLflow (или аналог), vLLM, CUDA, Docker, Kubernetes

Компания Alif Tech — международная финтех-компания, работающая на рынках Узбекистана, Таджикистана, Пакистана, Великобритании и ОАЭ. Стек: Python (pandas, numpy), XGBoost/LGBM/CatBoost, SQL, Airflow, базовый DL. Формат работы: офис (предпочтительно), возможен гибрид или удалённая работа.

Задачи: • Разрабатывать и валидировать модели машинного обучения, тренировочные пайплайны, системы инференса и поддерживающую инфраструктуру. • Реализовывать компоненты моделей, пайплайны данных, системы оценки и численные методы. • Строить воспроизводимые программные рабочие процессы с использованием Python и командных инструментов. Требования: • Магистерская степень или PhD в области компьютерных наук, машинного обучения, искусственного интеллекта, прикладной математики, статистики, инженерии или близкой количественной дисциплины. • Сильный профессиональный или исследовательский опыт в машинном обучении. • Практическое владение Python и кодирующими агентами. • Опыт работы в технологической компании, AI-лаборатории, исследовательской организации или другом признанном инженерном окружении приветствуется. • Исключительный опыт в open-source или академической сфере также может быть квалификацией. Условия: • Полностью удалённая работа. • Контрактный формат занятости. • Гибкий график — кандидат сам выбирает часы и дни работы, включая выходные. • Оплата сдельная, от $80 до $150 в час, до 15 часов в неделю. • Выплаты через Stripe или Wise без назначения платежа, аналогично UpWork. • Область проекта: искусственный интеллект. Процесс отбора: • Откликнуться и пройти скрининговые вопросы. • Пройти AI-интервью около 30 минут. • Пройти ревью менеджера по найму. Сроки начала: • Роли обычно закрываются в течение 48 часов. • Ожидается начало выполнения первой задачи в течение 24–48 часов после онбординга. Описание роли: Работа связана с разработкой, обучением и инференсом моделей машинного обучения, оптимизацией производительности и численными вычислениями. Требуется решение сложных инженерных задач, включая реализацию и модификацию моделей, построение воспроизводимых рабочих процессов, оптимизацию памяти и пропускной способности, отладку численных и системных ошибок, а также проверку корректности и производительности реализации.

Задачи: — разработка и обучение ML-моделей, систем инференса, численных вычислений, оптимизация производительности и программирование на Python; — создание, решение, проверка и валидация сложных задач в области ML Engineering; — реализация или модификация ML-модели; — создание воспроизводимого процесса обучения или инференса; — оптимизация использования памяти или производительности; — поиск и исправление численных или системных ошибок; — проверка соответствия реализации требованиям по корректности и производительности; — разработка и проверка ML-моделей, training pipelines, inference-систем и вспомогательной инфраструктуры; — реализация компонентов моделей, data pipelines, систем оценки и численных методов; — создание воспроизводимых программных процессов с использованием Python и инструментов командной строки. Требования: — степень магистра или PhD; — опыт использования coding agents с Python в рабочем процессе; — уровень английского языка C1. Условия: — 15 часов в неделю; — оплата $80–$150 в час; — полностью удалённая работа с гибким графиком, специалист самостоятельно выбирает дни и часы работы, включая выходные при желании.

Location: Ukraine; Czech Republic; Latvia; Spain; Albania; Lithuania; Greece; Bosnia & Herzegovina; Croatia; Estonia; Serbia; Poland; Armenia; Portugal; Italy; Malta; Türkiye; Montenegro; Romania Workplace: Remote Location: Fully remote (EMEA timezone) Start date: ASAP Languages: Fluent English required Industry: Cloud Computing / AI / European Deep-Tech SaaS ABOUT THE ROLE Pragmatike is recruiting on behalf of a fast-scaling, well-funded distributed cloud infrastructure startup building next-generation AI-native cloud services. The company is redefining how compute is delivered by providing GPU-powered infrastructure for AI/ML workloads, secure storage, and high-speed data transfer through a decentralized architecture that significantly reduces environmental impact compared to traditional cloud providers. We are seeking a ML Ops Engineer with strong experience in production-grade model serving and infrastructure for AI systems. This is a highly technical, hands-on role focused on building scalable, reliable, and efficient ML inference platforms powering real-time AI applications. You will be responsible for designing and operating the core infrastructure that serves machine learning models at scale. You will work closely with infrastructure, platform, and applied AI teams to ensure high availability, low latency, and cost-efficient inference systems. Strong ownership, production mindset, and experience with distributed GPU systems are essential. YOUR RESPONSIBILITIES - Build and operate production-grade model serving infrastructure using frameworks such as vLLM, TGI, Triton, or equivalent - Design and implement robust deployment pipelines with blue/green and canary rollout strategies for ML models - Develop and maintain auto-scaling systems, multi-model serving architectures, and intelligent request routing layers - Optimize GPU utilization, memory efficiency, network throughput, and model artifact storage performance - Design observability systems for tracking inference latency, throughput, GPU usage, cost metrics, and system health - Manage model registries and CI/CD pipelines enabling automated and reproducible model deployments - Own the full lifecycle of ML systems from development through production, including operational support and on-call responsibilities - Define engineering best practices and contribute to platform scalability in a fast-moving startup environment REQUIRED QUALIFICATIONS - 4+ years of experience in ML Ops, Platform Engineering, SRE, or similar infrastructure roles focused on ML systems - Hands-on experience with model serving frameworks such as vLLM, TGI, Triton, or equivalent - Strong background in container orchestration and operating GPU-based workloads in production - Experience with MLOps tooling including model registries, experiment tracking, and automated deployment pipelines - Proficiency in Python and infrastructure-as-code tools (e.g., Terraform, Helm, or similar) - Strong understanding of distributed systems, performance tuning, and production reliability engineering - Ability to effectively use AI coding assistants to accelerate development and debugging workflows - Ownership mindset with the ability to operate independently in a remote-first environment PREFERRED QUALIFICATIONS - Experience with ML platforms such as Kubeflow, MLflow, or KubeAI - Knowledge of GPU scheduling, CUDA/ROCm optimization, or multi-tenant inference systems - Experience with cost optimization across different GPU types and inference workloads - Background in early-stage startups or greenfield infrastructure projects - Proven experience building production systems from scratch rather than maintaining legacy platforms WHY JOIN US - Take ownership of critical infrastructure powering a rapidly scaling AI-native cloud platform - Build foundational ML inference systems from the ground up in a high-growth, well-funded startup - Work at the intersection of distributed systems, GPU computing, and sustainable cloud architecture - Gain deep expertise in next-generation AI infrastructure and large-scale model serving systems - Influence core engineering decisions and define best practices that will scale with the company. Pragmatike is committed to a fair, transparent, and inclusive recruitment process. We do not discriminate based on age, disability, gender, gender identity or expression, marital or civil partner status, pregnancy or maternity, race, religion or belief, sex, or sexual orientation. In accordance with GDPR, your personal data will be processed lawfully, fairly, and securely, and used solely for recruitment purposes, including sharing it with our client(s) for employment consideration.

Location: Ukraine; Czech Republic; Latvia; Spain; Albania; Lithuania; Greece; Bosnia & Herzegovina; Croatia; Estonia; Serbia; Poland; Armenia; Portugal; Italy; Malta; Türkiye; Montenegro; Romania Workplace: Remote Location: Fully remote (EMEA timezone) Start date: ASAP Languages: Fluent English required Industry: Cloud Computing / AI / European Deep-Tech SaaS ABOUT THE ROLE Pragmatike is recruiting on behalf of a fast-scaling, well-funded distributed cloud infrastructure startup building next-generation AI-native cloud services. The company is redefining how compute is delivered by providing GPU-powered infrastructure for AI/ML workloads, secure storage, and high-speed data transfer through a decentralized architecture that significantly reduces environmental impact compared to traditional cloud providers. We are seeking a ML Ops Engineer with strong experience in production-grade model serving and infrastructure for AI systems. This is a highly technical, hands-on role focused on building scalable, reliable, and efficient ML inference platforms powering real-time AI applications. You will be responsible for designing and operating the core infrastructure that serves machine learning models at scale. You will work closely with infrastructure, platform, and applied AI teams to ensure high availability, low latency, and cost-efficient inference systems. Strong ownership, production mindset, and experience with distributed GPU systems are essential. YOUR RESPONSIBILITIES - Build and operate production-grade model serving infrastructure using frameworks such as vLLM, TGI, Triton, or equivalent - Design and implement robust deployment pipelines with blue/green and canary rollout strategies for ML models - Develop and maintain auto-scaling systems, multi-model serving architectures, and intelligent request routing layers - Optimize GPU utilization, memory efficiency, network throughput, and model artifact storage performance - Design observability systems for tracking inference latency, throughput, GPU usage, cost metrics, and system health - Manage model registries and CI/CD pipelines enabling automated and reproducible model deployments - Own the full lifecycle of ML systems from development through production, including operational support and on-call responsibilities - Define engineering best practices and contribute to platform scalability in a fast-moving startup environment REQUIRED QUALIFICATIONS - 4+ years of experience in ML Ops, Platform Engineering, SRE, or similar infrastructure roles focused on ML systems - Hands-on experience with model serving frameworks such as vLLM, TGI, Triton, or equivalent - Strong background in container orchestration and operating GPU-based workloads in production - Experience with MLOps tooling including model registries, experiment tracking, and automated deployment pipelines - Proficiency in Python and infrastructure-as-code tools (e.g., Terraform, Helm, or similar) - Strong understanding of distributed systems, performance tuning, and production reliability engineering - Ability to effectively use AI coding assistants to accelerate development and debugging workflows - Ownership mindset with the ability to operate independently in a remote-first environment PREFERRED QUALIFICATIONS - Experience with ML platforms such as Kubeflow, MLflow, or KubeAI - Knowledge of GPU scheduling, CUDA/ROCm optimization, or multi-tenant inference systems - Experience with cost optimization across different GPU types and inference workloads - Background in early-stage startups or greenfield infrastructure projects - Proven experience building production systems from scratch rather than maintaining legacy platforms WHY JOIN US - Take ownership of critical infrastructure powering a rapidly scaling AI-native cloud platform - Build foundational ML inference systems from the ground up in a high-growth, well-funded startup - Work at the intersection of distributed systems, GPU computing, and sustainable cloud architecture - Gain deep expertise in next-generation AI infrastructure and large-scale model serving systems - Influence core engineering decisions and define best practices that will scale with the company. Pragmatike is committed to a fair, transparent, and inclusive recruitment process. We do not discriminate based on age, disability, gender, gender identity or expression, marital or civil partner status, pregnancy or maternity, race, religion or belief, sex, or sexual orientation. In accordance with GDPR, your personal data will be processed lawfully, fairly, and securely, and used solely for recruitment purposes, including sharing it with our client(s) for employment consideration.

Задачи: — Развивать модели прогнозирования спроса и ценовой эластичности — Исследовать подходы к causal inference, uplift-моделированию и оценки эффекта изменения цены — Проектировать временную валидацию, backtesting и бизнес-метрики качества

О компании Aidentity — стартап в сфере AI × Human Intelligence. Продукт, который помогает человеку лучше понять свои сильные стороны и найти свое призвание. Стадия: MVP → развитие продукта → масштабирование Нам нужно: — Опыт работы в стартапе / яркое желание его получить — Готовность влиять на продукт с первого дня — Мышление продуктом, а не выполнение задач — Готовность работать только за долю от компании — ML / Data Science / AI — Python и привычный ML-стек — работа с данными, построением признаков, обучением и оценкой моделей — ML-эксперименты и проверка качества результатов — самостоятельное исследование неизвестной области — интерес к задачам на стыке AI, психологии, человеческие качества и рекомендационные систем — recommendation systems, embeddings, NLP/LLM, clustering, similarity / ranking models. Что предстоит делать ✔️создавать систему синтетических профилей данных ✔️развивать и улучшать алгоритм подбора профессий ✔️проектировать систему, которая будет обучаться на данных пользователей и специалистов ✔️экспериментировать с ML/AI-подходами и проверять гипотезы ✔️оценивать качество рекомендаций и разрабатывать метрики для сравнения разных подходов ✔️исследовать способы персонализации результатов для разных пользователей ✔️в перспективе — работать с NLP/LLM и другими AI-инструментами для анализа и обогащения данных ✔️участвовать в проектировании ML-части продукта и принимать технические решения вместе с командой Что предлагаем: — Удаленка — Гибкий график, part-time — Долгосрочное участие — Опционы — Маленькая команда, где слышат каждого — Продукт с большой миссией Подойдет тем, кто любит эксперименты и не боится неопределенности, готов влиять на будущий результат

Основные требования: — Опыт разработки и применения моделей машинного обучения для решения прикладных задач: прогнозирования, классификации, оптимизации, выявления аномалий и анализа производственных процессов. — Понимание основных этапов разработки ML-решений: сбор и подготовка данных, исследовательский анализ, обучение моделей, оценка качества, тестирование и внедрение результатов. — Уверенные навыки программирования на Python и опыт работы с основными библиотеками анализа данных и машинного обучения: Pandas, NumPy, Scikit-learn, TensorFlow, PyTorch или аналогичными инструментами. — Опыт работы с временными рядами, историческими данными и построением прогнозных моделей. — Навыки обработки, очистки, объединения и анализа больших объемов производственных и технологических данных. — Общее понимание процессов энергетической отрасли: производство, передача, распределение и потребление энергетических ресурсов, режимы работы оборудования, технологические показатели и показатели эффективности. — Навыки работы с SQL, базами данных и инструментами хранения и обработки информации. — Умение формировать качественные наборы данных для аналитики и обучения моделей машинного обучения. Чем предстоит заниматься: — Разрабатывать и внедрять алгоритмы машинного обучения и интеллектуального анализа данных для задач энергетической отрасли. — Создавать модели прогнозирования производственных и технологических показателей энергетических объектов. — Разрабатывать прогнозы производства, потребления, нагрузки и других ключевых параметров на различных временных горизонтах. — Анализировать технологические и эксплуатационные данные, выявлять зависимости, закономерности, отклонения и потенциальные точки повышения эффективности. — Разрабатывать модели для оценки и прогнозирования состояния оборудования и технологических процессов. — Решать задачи оптимизации режимов работы энергетического оборудования и объектов. — Создавать алгоритмы выявления аномалий, отклонений и нестандартных режимов работы. Что мы предлагаем: — Участие в разработке современных цифровых и интеллектуальных решений для энергетической отрасли. — Работа над практическими задачами цифровизации, аналитики и повышения эффективности энергетических объектов. — Возможность применять технологии Machine Learning, Data Science и Artificial Intelligence для решения реальных производственных задач. — Работа с промышленными, технологическими и эксплуатационными данными энергетических предприятий. — Участие в проектах по прогнозированию, оптимизации, предиктивной аналитике, мониторингу оборудования и развитию цифровых двойников. — Возможность профессионального развития в направлениях Data Science, Machine Learning, Industrial AI и цифровой энергетики. — Взаимодействие с командой специалистов в области IT, анализа данных, автоматизации и энергетики. — Возможность участвовать в проектах, направленных на повышение надежности, эффективности и технологичности энергетической инфраструктуры. — Конкурентные условия труда и возможности для долгосрочного профессионального развития.

Компания "Урал Логистика" приглашает ML-инженера для участия в создании системы обработки документов и данных для грузовых железнодорожных перевозок. Задачи: — Строить конвейеры подготовки данных: сбор, очистку, нормализацию, дедупликацию и разметку — Формировать обучающие, валидационные и независимые оценочные выборки, контролировать утечки и пересечения — Создавать baseline для задач извлечения, классификации, определения сущностей и связей — Дообучать модели, готовить инструктивные наборы, обучать адаптеры и сравнивать результаты с базовыми моделями — Определять метрики, стратифицировать выборки и анализировать ошибки по типам документов, сценариям и полям — Работать с извлечением сущностей и связей для построения и обновления графового представления данных — Разворачивать локальный inference и оптимизировать его под доступную инфраструктуру — Работать с tensor parallelism, batching, длиной контекста, GPU-памятью и квантованием — Измерять задержку, пропускную способность, утилизацию и стоимость обработки документа — Версионировать данные, модели, конфигурации обучения и результаты экспериментов — Участвовать в интеграции моделей с прикладными AI-сервисами и production-конвейерами Требования: — Уровень middle+ и выше — Практический опыт построения ML-конвейеров, используемых в production — Уверенное владение Python, PyTorch и Hugging Face Transformers — Опыт fine-tuning языковых моделей, подготовки данных и работы с PEFT — Умение строить корректную оценку качества и контролировать утечки между обучающими и тестовыми данными — Опыт локального inference LLM и понимание устройства GPU-памяти — Знание компромиссов между качеством, скоростью, длиной контекста, batching и квантованием — Знание Linux, CUDA, SQL, Docker и Kubernetes — Способность довести модельное решение до устойчивой эксплуатации Условия: — Полная занятость — Возможность трудоустройства через российское юридическое лицо в штат или через согласованную аутстафф-модель — Основной формат — офис или гибрид — Для самостоятельных специалистов возможна распределённая работа из России — Итоговый грейд и масштаб ответственности определяются по результатам собеседования

Задачи: - Развивать ядро матчинга: retrieval кандидатов по текстовым, картиночным и мультимодальным эмбеддингам, обучать модели классификации пар, работать с атрибутами товаров - Улучшать NLP-часть пайплайна с учетом специфики оптовых товаров: обработка названий, извлечение атрибутов из описаний, дообучение эмбеддинг-моделей - Доводить решения до прода и отвечать за них Требования: - Сильное понимание NLP: трансформерные модели, эмбеддинги, векторный поиск, опыт дообучения моделей под свою задачу - Опыт в задачах матчинга - Опыт в Data Science и ML Engineering с выводом моделей в продакшен от 3-х лет - Уверенные знания Python, ML-стека, SQL - Умение выбирать решение под задачу: не использовать нейросеть там, где достаточно эвристики, и наоборот - Опыт с CV и мультимодальными моделями (CLIP-подобные, metric learning), LLM/VLM в задачах классификации/ранжирования будет плюсом

Коперник AI — российская R&D-продуктовая компания, которая занимается разработкой, обучением и внедрением интеллектуальных систем (AI) промышленного уровня. Задачи и требования в вакансии не указаны в тексте.

Задачи: — проводить аналитику и мониторинг работы моделей — собирать и подготавливать данные, последующий EDA, feature engineering — разрабатывать новые ML-модели — оптимизировать скрипты data/model/inference pipelines — подготавливать код проекта к проду, подготавливать, дизайнить и проводить АБ-тесты. Требования: — высшее образование по техническому направлению — от года релевантного опыта в ML — прочный математический фундамент (понимание градиентного спуска, характеристик основных распределений, PCA, МНК, базовые статистические тесты проверки гипотез) — умение и желание писать код на Python, оптимизировать его, разбираться в чужом коде, понимание SQL — владение основными библиотеками для анализа данных: pandas, numpy, scipy, matplotlib, statmodels — глубокое понимание основных алгоритмов классического ML (линейная/логистическая регрессия, деревья решений, ансамбли), базовые знания по DL (основные архитектуры, тонкости обучения) — владение основными фреймворками для ML/DL: sklearn, pytorch, transformers и др. Будет плюсом: — интерес к методам ML в задачах ценообразования и финансах — изучение Reinforcement Learning, multi-arms bandits — чтение статей по современным решениям для работы с последовательностями. Условия: — комфортный современный офис рядом с м. Кутузовская — гибридный формат работы — ежегодный пересмотр зарплаты, квартальная и годовая премия — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета — программа адаптации и помощь руководителя на старте (для Junior) — расширенный ДМС, льготное страхование для семьи, 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.