Задачи:
— Разрабатывать Python / SQL-пайплайны загрузки и обработки данных из файлов, API и информационных систем.
— Проектировать таблицы хранилища: сущности, связи, правила преобразования.
— Встраивать псевдоанонимизацию и проверки качества в потоки данных.
— Готовить признаки и версионируемые train/validation/test-выборки.
— Обеспечивать прослеживаемость и воспроизводимость ML / LLM-экспериментов.
— Вместе с ML-командой развивать оценку моделей, подготовку данных для RAG и дообучения.
Требования:
— Уверенные Python и SQL, поддерживаемый код за пределами ноутбуков.
— Практический опыт ETL / ELT: оркестрация, инкрементальная обработка, повторные запуски.
— Опыт с S3, Parquet, pandas / Polars / PyArrow.
— Понимание жизненного цикла ML: выборки, baseline, метрики, проверка утечек.
— Опыт с MLflow, ClearML или аналогами.
— Linux, Git, Docker, CI/CD.
— Умение работать с чувствительными данными.
Условия:
— Занятость: full-time
— Формат работы: гибридный / удаленный по РФ
Сопровождение ML-решений (мониторинг сервисов и моделей, отслеживание дрейфа данных, работа над развитием); Оценка влияния на бизнес предложенных решений;
Гибрид
Зарплата не указана
Не хотите искать каждый день?
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
-Разработка генеративных ИИ-моделей для синтеза визуального и проектного контента на основе структурированных данных товарного каталога в рамках проверки гипотез (PoC) внутри корпоративной платформы по оценке ИИ-инициатив. -Построение системы метрик: разработка офлайн- и онлайн-показателей, кросс-валидация, прямая оценка бизнес-эффекта.
Обязанности:
• Исследовать бизнес-процессы, найти точки улучшений и показать, как AI-решения могут приносить ощутимую пользу.
• Подготовить полноценные требования к AI...
Требования:
• ...Kubernetes, MLflow), обработке и анализе данных (Python, SQL, DWH, Data Lake, Data Governance), понимании ML-жизненного цикла. Наши ожидания.
As the Senior Staff Machine Learning Platform Engineer, you will own the technical vision and evolution of Faire’s ML platform. You will set standards, influence org-wide architecture, and lead complex, cross-functional initiatives that unlock data science velocity at scale.
— Разрабатывать Python / SQL-пайплайны загрузки и обработки данных из файлов, API и информационных систем. — Проектировать таблицы хранилища: сущности, связи, правила преобразования.
Разработка и внедрение ML-моделей прогнозирования спроса (временные ряды + градиентный бустинг + нейросети) на уровне SKU; Автоматизация пайплайнов ретрайна и мониторинга качества прогнозов в продакшене (MLflow, Airflow, Docker);
Задачи:
— разработка, обучение и оптимизация ML/AI-моделей на PyTorch и/или TensorFlow
— проектирование end-to-end ML-пайплайнов
— работа с LLM, NLP, Computer Vision и Generative AI
— подготовка моделей к production и масштабированию
— интеграция моделей с backend
— оптимизация inference и производительности
— построение MLOps-процессов
— работа с Docker и cloud-инфраструктурой
— принятие архитектурных решений и техническое руководство AI-командой
Требования:
— от 4 лет коммерческого опыта в Machine Learning / AI Engineering
— практический опыт разработки и внедрения ML-моделей в production
— уверенный Python
— PyTorch и/или TensorFlow
— понимание Machine Learning и Deep Learning
— знание ML-метрик и методов оптимизации моделей
— Docker, Git
— AWS или аналогичные cloud-платформы
— практический опыт с MLflow, Kubeflow, AWS SageMaker или аналогичными MLOps-инструментами
— свободный английский язык
Условия:
— full-time
— офис в Ташкенте
— официальное трудоустройство по ТК Узбекистана
— вилка от $3,500
Задачи:
— Руководить командой Computer Vision Engineers
— Проектировать архитектуру production AI-систем
— Менторить инженеров и проводить code review
— Декомпозировать задачи и контролировать качество реализации
— Разрабатывать пайплайны обработки десятков и сотен RTSP-потоков
— Оптимизировать инференс на GPU и CPU
— Принимать ключевые технические решения
— Участвовать в найме и развитии AI-команды
Основной стек:
Python, PyTorch, OpenCV, YOLO, RTSP, GStreamer, NVIDIA DeepStream, TensorRT, Triton Inference Server, ONNX, OpenVINO, CUDA, FastAPI/gRPC, Docker и Kubernetes.
Что важно:
✅ Сильный коммерческий опыт в Computer Vision и Video Analytics
✅ Опыт технического лидерства или менторства
✅ Запуск production AI-систем
✅ Уверенное знание Python, PyTorch, OpenCV и YOLO
✅ Практический опыт с RTSP, GStreamer, DeepStream и TensorRT
✅ Оптимизация моделей через ONNX, TensorRT, OpenVINO, CUDA или Quantization
✅ Понимание высоконагруженной обработки видеопотоков
✅ Умение принимать и аргументировать архитектурные решения
Будет плюсом:
➕ Triton Inference Server
➕ C++ и CUDA
➕ Kafka и потоковая обработка данных
➕ MLflow и MLOps
➕ ViT, DETR, Swin и Video Transformers
➕ VLM, RAG, LangGraph, vLLM и Function Calling
➕ Опыт найма и формирования AI-команд
Предлагаем влияние на архитектуру и технологический стек, сильную инженерную команду и работу над высоконагруженной системой промышленного уровня.
Задачи:
— Проектировать платформенные паттерны от начала до конца, создавать эталонные реализации, документировать обоснования и сотрудничать с командами внедрения.
— Участвовать в еженедельных архитектурных обзорах, обеспечивая последовательность и расширяя библиотеку стандартов и архитектурных решений.
— Отвечать за архитектурное руководство в одной из областей: облачная инфраструктура или архитектура данных.
— Определять жизненный цикл технологий, проводить оценку новых технологий через POC, управлять стандартами внедрения и снятия с эксплуатации, оптимизировать затраты совместно с FinOps.
— Поддерживать команды R&D, проводить обзоры дизайна и консультации по сложным инфраструктурным решениям.
— Формировать многолетнюю стратегию платформы, включая опыт разработчиков, конвейеры доставки и инструменты архитектурного обзора с AI.
Требования:
— Широкий опыт архитектуры инфраструктуры, умение защищать архитектурные решения в продуктивных системах.
— Опыт работы с мультиоблачными средами GCP и/или AWS, глубокое понимание Kubernetes (GKE или аналог).
— Владение Infrastructure as Code, включая Terraform и GitOps, опыт проектирования и ревью модулей.
— Глубокие знания в одной или нескольких областях: облачная инфраструктура (сетевые паттерны AWS/GCP, Kubernetes, Istio, безопасность и масштабируемость) и/или архитектура данных (Kafka, Pub/Sub, SQL/NoSQL базы, аналитические колонки, pipeline).
— Способность разрабатывать прототипы, анализировать поведение систем под нагрузкой.
— Лидерские качества, навыки технической коммуникации и внедрения стандартов без формального управления.
— Опыт проведения технологических оценок и POC.
— Знания инфраструктуры для AI/ML нагрузок, включая модели, базы векторов, оценку затрат и задержек.
Преимущества:
— Глубокие знания в обеих областях: облачная и дата инфраструктура.
— Опыт с политиками GCP, организационной структурой и IAM.
— Знания Confluent Platform.
— Опыт участия в архитектурных советах.
— Опыт с AI-усиленными архитектурными инструментами.
— Опыт с MLOps инструментами (MLflow, Kubeflow, Vertex AI Pipelines, SageMaker).
Образование и опыт:
— Степень бакалавра в области компьютерных наук или эквивалентный опыт.
— 10-15+ лет опыта в облачной инфраструктуре, платформенной инженерии, DevOps или архитектуре данных.
Задачи:
— Разрабатывать и внедрять ML-модели для прогнозирования поведения клиентов-физических лиц и розничного продуктового портфеля Банка
— Рассчитывать ожидаемые денежные потоки по кредитным и пассивным продуктам Банка
Требования:
— Опыт работы в банковской сфере
— Опыт разработки и внедрения ML-моделей от сырых данных до production
— Работа с табличными данными
— Свободное владение Python: Pandas, NumPy, Matplotlib (или аналогичными инструментами визуализации)
— Знание SQL: оконные функции, сложные JOIN, оптимизация запросов к БД
— Хорошее владение ML-библиотеками: CatBoost, LightGBM, XGBoost, Scikit-learn
— Умение проводить стресс-тесты и А/В-тесты
— Понимание особенностей розничных банковских бизнес-процессов
— Преимуществом будет знание MLflow, Airflow, Butch Scoring, Docker, Spark / PySpark
Условия:
— Офисный формат работы
— Офис в центре Москвы
Компания Centicore ищет опытного инженера DevOps для работы над централизованной MLOps-инфраструктурой.
Задачи:
— Конфигурировать и разворачивать инфраструктурные компоненты
— Адаптировать и разрабатывать с нуля автоматизированные пайплайны под актуальные бизнес-задачи (AutoML, LLM, computer vision и пр.)
— Создавать и поддерживать пользовательские инструменты для работы в едином ML-контуре применения и обучения
— Масштабировать разрабатываемые системы и инструменты для управления жизненным циклом моделей машинного обучения
Требования:
— Опыт DevOps от 5 лет с инструментами docker, helm, jenkins/gitlab CI, python
— Желателен опыт ML/MLOps от 1 года с airflow, jupyterhub, mlflow, seldon, cuda
— Опыт администрирования Kubernetes от 2 лет
— Опыт работы с Hadoop, Spark, Kafka, ELK
Условия:
— Удаленный формат работы в IT аккредитованной компании
— Оформление по ТК
— Оплачиваемый отпуск 28 календарных дней в год и оплачиваемые больничные
— Предоставление техники (MAC, Windows)
— ДМС со стоматологией
— Компенсация хобби/спортзала/английского языка
— Компенсация профессионального обучения
— Возможность участия во внутренних программах компании и активностях
— Онлайн и оффлайн корпоративные мероприятия
— Программа лояльности Сентибонусы
Задачи:
— Разработка сервисов ИИ платформы для создания функциональных агентов и ИИ ассистентов.
— Подготовка бэк части для функциональных агентов, включая среду разработки агентов: тестирование фреймворков, opensource агенты.
— Разработка сервиса управления реестром и скиллами агентов.
— Создание отдельного единого сервиса для всех баз знаний, интеграция крупных корпоративных источников.
Требования:
— Понимание архитектуры, возможностей и ограничений современных языковых моделей.
— Опыт работы с embeddings, vector search, RAG, structured output и tool calling.
— Понимание принципов проектирования AI-агентов: управление состоянием и контекстом, выбор инструментов, контроль уровня автономности и human-in-the-loop.
— Опыт построения evals для LLM-систем, оценки качества ответов, контроля галлюцинаций и мониторинга поведения системы.
— Понимание рисков prompt injection, некорректного tool calling, утечки данных и чрезмерных прав доступа агента.
— Опыт работы с API языковых моделей, Hugging Face и одним из orchestration-фреймворков.
— Умение оценивать стоимость, latency и масштабируемость LLM-решений.
— Опыт работы в e-commerce, retail или других продуктовых highload-системах.
— Опыт работы с Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana.
— Опыт эксплуатации GPU-инфраструктуры и оптимизации inference.
— Опыт fine-tuning или адаптации LLM, включая LoRA / PEFT.
— Опыт проектирования agentic workflows или multi-agent-систем.
— Понимание принципов информационной безопасности, privacy и работы с персональными данными.
Условия:
— full-time
Вакансия предполагает работу на позиции Senior Data Science специалиста с полной занятостью и удалённым форматом в России. Основные задачи включают разработку сервисов для ИИ платформы, предназначенной для создания функциональных агентов и ИИ ассистентов, а также подготовку серверной части для таких агентов, включая тестирование фреймворков и работу с opensource агентами. В обязанности также входит создание сервиса управления реестром и навыками агентов, а также разработка единого сервиса для баз знаний с интеграцией крупных корпоративных источников. Кандидат должен хорошо разбираться в архитектуре и ограничениях современных языковых моделей, иметь опыт работы с embeddings, vector search, RAG, structured output и tool calling. Важны знания принципов проектирования AI-агентов, включая управление состоянием и контекстом, выбор инструментов, контроль автономности и human-in-the-loop. Требуется опыт построения evals для LLM-систем, оценки качества ответов, контроля галлюцинаций и мониторинга поведения, а также понимание рисков, связанных с prompt injection, некорректным tool calling, утечкой данных и избыточными правами доступа. Необходим опыт работы с API языковых моделей, Hugging Face и одним из orchestration-фреймворков, умение оценивать стоимость, задержки и масштабируемость LLM-решений. Желателен опыт в e-commerce, retail или других высоконагруженных продуктовых системах, а также владение инструментами Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana. Кандидат должен иметь опыт эксплуатации GPU-инфраструктуры и оптимизации inference, а также fine-tuning или адаптации LLM, включая LoRA/PEFT. Опыт проектирования agentic workflows или multi-agent систем и понимание принципов информационной безопасности, конфиденциальности и работы с персональными данными также обязательны.
Задачи:
— Проектирование, развёртывание и развитие инфраструктуры платформы искусственного интеллекта (on-prem и облако): Kubernetes-кластеры, GPU-ноды, storage, сети, безопасность.
— Построение и поддержка CI/CD/CT-пайплайнов для ML-моделей и сервисов: от артефакта DS до продакшн-инференса с откатами и канареечными релизами.
— Интеграция и эксплуатация LLM/ML-сервисов для внутренних команд и рыночных внедрений: упаковка моделей в сервисы, конфигурация autoscaling, SLA, observability.
— Настройка мониторинга и алертинга по инфраструктуре и моделям (метрики ресурсов, latency, ошибки, дрейф данных), реагирование на инциденты, участие в post-mortem.
— Автоматизация ML-пайплайнов: подготовка данных, обучение, переобучение, регистрация моделей, управление версиями и окружениями.
— Поддержка внедрений у клиентов: тиражирование платформенных компонентов, адаптация инфраструктуры под контур заказчика, участие в performance-оптимизации и cost-cutting (GPU/CPU).
Требования:
— Высшее образование.
— Опыт работы: 5+ лет.
— Глубокое понимание жизненного цикла ML-модели: от экспериментов до продакшн-инференса и мониторинга.
— Уверенный Linux, сетевые основы, безопасность, работа с контейнерами и оркестраторами.
— Опыт построения CI/CD-пайплайнов для сервисов и ML-артефактов (Docker images, модели, данные).
— Опыт с LLM/GenAI-платформами: vLLM, TGI, Hugging Face, Triton/ONNX Runtime, оптимизация инференса.
— Опыт построения feature store, model registry, ML pipelines (Kubeflow, MLflow, Airflow, Argo Workflows).
— Работа в гибридной инфраструктуре: on-prem кластеры + публичные облака (T1 Cloud, VK Cloud, Yandex Cloud и др.).
— Понимание cost-optimization: FinOps для GPU/CPU, автобалансировка нагрузок.
— Языки: Python (утилиты, обвязка) / Bash.
— Контейнеризация и оркестрация: Docker, Docker Compose, Kubernetes (Helm, Operators), желательно Kubeflow.
— CI/CD: GitLab CI / GitHub Actions / Jenkins / Argo CD.
— Инфраструктура: Terraform / Ansible, конфигурация Linux-серверов, Nginx, cert-manager.
— Data/ML-инфраструктура: Apache Kafka, Airflow/Argo Workflows, S3-совместимые хранилища, MLflow/Weights&Biases.
— Мониторинг и логи: Prometheus, Grafana, Loki/ELK, Sentry, alertmanager.
Профессиональные навыки:
— Проектирование и развёртывание инфраструктуры платформы ИИ (кластер Kubernetes, storage, сети, security) под LLM/ML-нагрузки.
— Построение воспроизводимых ML-пайплайнов: обучение, валидация, packaging модели, деплой в batch и real-time режимах.
— Настройка мониторинга моделей: метрики качества, дрейф данных, latency/throughput, автоматический rollback и retraining-триггеры.
— Совместная работа с DS/разработчиками и внедренцами: перевод экспериментальных ноутбуков в надёжные сервисы для внутренних и внешних клиентов.
Специализированные программы:
— GitLab / GitHub, Jira / Confluence/Сфера
— Kubernetes ecosystem: kubectl, Helm, K9s, Lens.
— ML-инструменты: MLflow / Weights & Biases, Kubeflow Pipelines / Airflow, model registry.
— Мониторинг: Prometheus, Grafana, Loki/ELK, Alertmanager, Sentry.