Вакансии

Location: Москва Команда управления развития искусственного интеллекта (блок «Развитие клиентского опыта B2C») ищет NLP/LLM-инженера для развития AI-copilot премиальных клиентских менеджеров. Мы переходим от классических NLP-решений к адаптивным мультиагентным системам, способным самостоятельно решать задачи в контуре бизнеса: поиск по базе знаний, суммаризация профиля, извлечение инсайтов из звонков, управление графиком, проактивные подсказки на звонке. Ищем Senior-инженера, который возьмет на себя архитектурную ответственность за решения с LLM под капотом, выстроит процессы оценки качества и будет писать чистый, поддерживаемый код, готовый к интеграции в продакшн выделенной бэкенд-командой. Обязанности * архитектура и разработка: проектировать и реализовывать end-to-end LLM-пайплайны, включая продвинутые RAG-системы и автономных AI-агентов с использованием планирования, function calling и мультиагентной оркестрации * дообучение и адаптация: SFT/RLHF/DPO, LoRA/QLoRA под специфичные бизнес-задачи. Принимать решения о том, когда дообучение необходимо, а когда достаточно промпт-инжиниринга или RAG * система оценки (Eval): поддерживать культуру качества, внедряя продуктовые и ML-метрики (RAGAS, DeepEval, кастомные LLM-as-a-Judge), автоматизировать регрессионное тестирование, связывать технические метрики с бизнес метриками * качество кода и интеграция: писать чистый, хорошо документированный и тестируемый python-код, который легко интегрируется и поддерживается бэкенд командой. Формировать стандарты разработки в рамках DS экспериментов и проектировать API-контракты для ML-компонент * менторство и влияние: участвовать в код-ревью, формировать технические стандарты команды, декомпозировать бизнес-задачи и предлагать оптимальные ML-решения. Работать напрямую с продуктом и стейкхолдерами. Требования * опыт в DL/NLP от 4 лет включая обучение/дообучение моделей на PyTorch, из них не менее года практического опыта с LLM * практический опыт построения AI-агентов и LLM-пайплайнов с использованием LangChain/LangGraph * глубокое понимание архитектуры современных LLM, включая механизмы attention, MoE, RoPE, KV-cache, методы alignment (RLHF/DPO), принципы эффективного инференса * сильная инженерная культура: Python (asyncio, pydantic, fastapi), написание чистого тестируемого кода (pytest), опыт разработки асинхронных микросервисов. Понимание Docker/K8s, CI/CD для ML * оценка и мониторинг: уверенное владение инструментами LLMOps (Arize, LangSmith, W&B, Phoenix). Опыт создания кастомных eval-пайплайнов и понимания того, как метрики влияют на продукт * работа с данными: опыт предобработки сложных данных для подготовки датасетов, знание SQL * автономность и коммуникация: Умение переводить неопределённые бизнес-задачи в технический план, аргументированно отстаивать архитектурные решения, работать без микроменеджмента. будет плюсом: * опыт опромышливания AI-агентов и знание принципов LLMOps, включая CI/CD, оркестрацию и управление версиями промптов * опыт интеграции ML-решений в высоконагруженные системы * понимание безопасности LLM-приложений. Условия * комфортный современный офис рядом с м. Кутузовская * гибридный формат работы после испытательного срока * ежегодный пересмотр зарплаты, годовая премия * корпоративный спортзал и зоны отдыха более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * программа адаптации и помощь руководителя на старте * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.

Разработкой AI агентов на основе современных генеративных сеток (GigaChat и OpenSource); Разработкой системы офлайн- и онлайн-метрик для оценки качества LLM-приложений;

-Руководить командой NLP-инженеров и backend-разработчиков. -Планировать и приоритизировать задачи, проводить ревью и контролировать качество решений.

Key Responsibilities: Develop and improve RAG applications: chunking, embeddings, retrieval and reranking. Build LLM workflows and agents with LangChain, LangGraph, LlamaIndex, CrewAI or similar.

Ищем Tech Lead для руководства командой NLP-инженеров и backend-разработчиков, которая развивает платформу парсинга документов в банке. Специалист будет отвечать за техническое развитие продукта, архитектуру LLM/NLP-решений, управление бэклогом и качество реализации.

Задачи: — Проектировать и реализовывать end-to-end LLM-пайплайны, включая продвинутые RAG-системы и автономных AI-агентов (планирование, function calling, мультиагентная оркестрация) — Дообучение и адаптация: SFT/RLHF/DPO, LoRA/QLoRA под бизнес-задачи; решать, когда нужно дообучение, а когда достаточно промпт-инжиниринга или RAG — Поддерживать культуру качества: внедрять продуктовые и ML-метрики (RAGAS, DeepEval, LLM-as-a-Judge), автоматизировать регрессионное тестирование — Писать чистый, документированный и тестируемый python-код, проектировать API-контракты для ML-компонент — Участвовать в код-ревью, формировать технические стандарты команды, работать напрямую с продуктом и стейкхолдерами Требования: — Опыт в DL/NLP от 4 лет, включая обучение и дообучение моделей на PyTorch, из них не менее года практического опыта с LLM — Практический опыт построения AI-агентов и LLM-пайплайнов с использованием LangChain/LangGraph — Глубокое понимание архитектуры современных LLM: attention, MoE, RoPE, KV-cache, методы alignment (RLHF/DPO), принципы эффективного инференса — Сильная инженерная культура: Python (asyncio, pydantic, fastapi), чистый тестируемый код (pytest), асинхронные микросервисы; понимание Docker/K8s, CI/CD для ML — Оценка и мониторинг: уверенное владение инструментами LLMOps (Arize, LangSmith, W&B, Phoenix), опыт создания кастомных eval-пайплайнов — Работа с данными: опыт предобработки сложных данных для датасетов, знание SQL

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. Задачи Развивать компоненты AI-ассистента для VK Видео: понимание намерения, удержание контекста диалога, выбор стратегии и маршрутизация инструментов Улучшать генерацию кандидатов, semantic retrieval и reranking для поиска и персонализированных рекомендаций Работать с гибридным поиском: эмбеддинги, текстовые и структурные фильтры, поисковые API, рекомендательные модели и явные критерии пользователя Оптимизировать candidate budget и смешивание кандидатов из разных источников Обучать и дообучать модели для отдельных компонентов системы: LLM-like, reranker, query rewriting, relevance-модели Собирать и улучшать обучающие и тестовые датасеты: реальные и синтетические запросы, сложные негативные примеры, long-tail-сценарии и размеченные диалоги Создавать и поддерживать golden datasets, human-aligned evaluation и автоматические проверки качества; калибровать auto-eval по человеческой оценке Анализировать деградации, формулировать гипотезы и проверять их в воспроизводимых экспериментах Оценивать модели не только по общей метрике, но и по отдельным сценариям, категориям запросов, релевантности, разнообразию, безопасности и качеству диалога Оптимизировать latency, стоимость и использование вычислительных ресурсов при обучении и инференсе Готовить компоненты к промышленной эксплуатации: интеграция, нагрузочное тестирование, мониторинг, обработка ошибок и контроль регрессий Участвовать в offline- и online-экспериментах, подготовке A/B-тестов и интерпретации продуктовых метрик Проводить code review, документировать эксперименты и участвовать в обсуждении архитектуры и исследовательских результатов Требования Сильная теоретическая база и опыт работы в рекомендательных системах, информационном поиске, NLP/LLM; готовность работать на их пересечении Понимание устройства retrieval и ranking: embeddings, candidate generation, negative sampling, cross-encoders, reranking Знание основных offline-метрик поиска и рекомендаций: Recall@K, Precision@K, NDCG, MRR и их ограничений Опыт обучения, валидации и внедрения ML-моделей; доведённые до production либо production-like среды самостоятельно разработанные компоненты Навыки постановки воспроизводимых экспериментов, анализа ошибок и статистической интерпретации результатов Понимание жизненного цикла ML-системы: данные, обучение, inference, мониторинг, деградации и переобучение Опыт работы с большими объёмами данных и пайплайнами обработки; YT, Spark или аналогичные инструменты Базовые навыки Linux, Git, контейнеризации и работы с сервисами Будет плюсом Опыт создания LLM-приложений: tool calling, agentic workflows, RAG, structured generation Дообучение LLM или encoder-моделей: SFT, LoRA/adapters, RL Построение lexical, semantic или hybrid retrieval LLM-as-a-judge, human evaluation, построение golden datasets и калибровка автоматических оценок Оптимизация GPU-инференса, batching, quantization, model serving Опыт с распределённым обучением и промышленной ML-инфраструктурой Практика A/B-тестирования рекомендательных или поисковых моделей Мультимодальные модели, VLM, понимание видео или рекомендательные системы для медиаконтента Наличие публикаций по тематике LLM, NLP, multimodal models

Location: Москва Workplace: В офисе О компании Секретарь - умный робот, умеющий вести конструктивный, вариативный диалог. Обязанности разрабатывать и дообучать модели TTS: проектирование, finetuning и адаптация генеративных подходов для высококачественного синтеза речи и zero shot клонирования голоса под задачи бизнеса; участвовать в дальнейшей разработке голосового пайплайна, объединяющего ASR, VAD, LLM, NLP и TTS для работы в режиме реального времени; работать с аудиоданными: сбор, чистка, нормализация, препроцессинг и автоматическая разметка датасетов для обучения; проводить регулярный мониторинг и автооценку результатов (естественность синтеза, точность передачи тембра, разборчивость речи); заниматься сокращением задержек генерации: оптимизация моделей для инференса на GPU/CPU инфраструктуре, сборка docker образов; подключаться к работе с другими этапами пайплайна (ASR + NLP/LLM + TTS) работы голосового бота, помогать диагностировать проблемы в инференсе, локализировать баги, принимать и реализовывать инженерные решения. Требования понимание сжатия и дискретизации сигнала через вариационные автоэнкодеры, работы с векторным квантованием и непрерывными/дискретными представлениями аудио; практический опыт применения моделей Flow Matching и Diffusion Transformers для быстрых процессов генерации речи из текста или латентных фичей; опыт применения VAD-моделей, опыт работы с готовыми архитектурами ASR; опыт работы с LLM и NLP для автоматизации обработки данных и для взаимодействия с клиентом; уверенное владение Python (PyTorch, huggingface, фреймворки инференса) и Go; практика работы со потоковым аудио в реальном времени (streaming). Условия офисный формат работы (м. Технопарк); собственную платформу MTS Ocean для получения ИТ-ресурсов, а это значит, что деплой, мониторинг, observability — не будут для тебя проблемой, ты сможешь сосредоточиться на фичах; профессиональные гильдии инженеров, где мы поддерживаем друг друга и помогаем стать лучше; внутреннюю площадку TechTalks для обмена опытом, дискуссий, развития навыков самопрезентации; участие во внешних IT конференциях. Наши эксперты выступают на ведущих профильных конференциях, таких как HighLoad++, DevOps Conf, Joker, AHA!, Матемаркетинг и другие. А еще мы организуем собственную масштабную конференцию True Tech Day и регулярно проводим митапы для разработчиков и инженеров. полезные курсы и вебинары в корпоративном университете и электронную библиотеку; ДМС с первого месяца работы, включая стоматологию; страхование от несчастных случаев с 1 месяца работы. Материальную помощь в сложных жизненных ситуациях; отпуск 28 календарных дней (+3 дополнительных дня за ненормированный рабочий день); прием врачей общей практики и массаж в офисе; мобильная связь за счет компании и льготные тарифы для близких; подписка на онлайн-кинотеатр KION, сервис МТС Музыка, книжный сервис Строки от МТС, безлимитные мессенджеры и соцсети.

-Формулировать и декомпозировать бизнес-задачи в ML/аналитические решения. -Проводить исследовательский анализ данных, проверять гипотезы и выбирать подходящие методы.

разрабатывать и дообучать модели TTS: проектирование, finetuning и адаптация генеративных подходов для высококачественного синтеза речи и zero shot клонирования голоса под задачи бизнеса; участвовать в дальнейшей разработке голосового пайплайна, объединяющего ASR, VAD, LLM, NLP и TTS для работы в режиме реального времени;

Location: Москва ИТ B2C — самая крупная экосистема в Сбере. Нас более 8000 человек в 18 городах России. Мы занимаемся разработкой и развитием розничных решений, помогая сделать сервисы Банка доступнее, безопаснее и удобнее. Ждем именно тебя!  Мы разрабатываем агентские RAG-системы, которые помогают компании улучшать клиентский опыт за счёт персонализированных решений. У нас уже есть рабочий продукт, работающий в проде и приносящий пользу. Сейчас команда активно работает над новыми применениями технологии и улучшает качество уже в рабочих направлениях. Обязанности * ML-разработка полного цикла – помочь понять что и зачем нужно бизнесу, перевести это в термины ML, проводить эксперименты, готовить решение к выводу в продакшн * разрабатывать, оптимизировать и поддерживать NLP пайплайны, включая RAG-системы и ассистентов для бизнес-задач. * создавать и развивать ИИ-агентов и мультиагентные системы (workflow-оркестрация, планирование, инструменты, memory-модули, интеграции с сервисами банка). * интегрировать агентские пайплайны в высоконагруженные сервисы банка, обеспечивая стабильность, производительность и мониторинг * разрабатывать сервисы вокруг моделей: API-слои, микросервисы, inference-скрипты, CI/CD для ML * обеспечивать качество кода и следить за инженерными практиками (тестирование, логирование, мониторинг) * проектирование и согласование архитектуры приложений и интеграций * развитие и разработка расчетных модулей системы, общих библиотек, - реализация интеграционных взаимодействий * формирование требований для построения мониторинга, логирования * проведение ревью кода, поддержка код стандарта, командные коммуникации * организация внутренних процессов в команде разработки. Требования * знание основ классического ML и NLP/LLM: классические задачи и архитектуры/подходы для их решения, метрики, процесс обучения моделей * опыт разработки и продакшен-внедрения RAG-систем, AI-ассистентов, работа с векторными хранилищами и retrieval-стеком * отличное знание Python, опыт написания промышленного, поддерживаемого и тестируемого кода, работы с параллелизмом и асинхронностью * плюсом будет знание CI/CD, владение инструментами разработки и инфраструктуры: Docker/Openshift/Kubernetes/Jenkins/Prometheus/Graphana/Kafka, PostgreSQL * опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки. Что ещё может пригодиться: * Hadoop, PySpark, Airflow * Scala, SQL * CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps. Условия * комфортный современный офис рядом с м. Кутузовская * возможность выбрать удобный график – офис/гибрид * ежегодный пересмотр зарплаты, квартальная и годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития   * программа адаптации и помощь руководителя на старте * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.

Location: Москва Мы разрабатываем агентские RAG-системы, которые помогают компании улучшать клиентский опыт за счёт персонализированных решений. У нас уже есть рабочий продукт, работающий в проде и приносящий пользу. Сейчас команда активно работает над новыми применениями технологии и улучшает качество уже в рабочих направлениях. обязанности. Обязанности * ML-разработка полного цикла – помочь понять что и зачем нужно бизнесу, перевести это в термины ML, проводить эксперименты, готовить решение к выводу в продакшн * разрабатывать, оптимизировать и поддерживать NLP пайплайны, включая RAG-системы и ассистентов для бизнес-задач * создавать и развивать ИИ-агентов и мультиагентные системы (workflow-оркестрация, планирование, инструменты, memory-модули, интеграции с сервисами банка) * интегрировать агентские пайплайны в высоконагруженные сервисы банка, обеспечивая стабильность, производительность и мониторинг. * разрабатывать сервисы вокруг моделей: API-слои, микросервисы, inference-скрипты, CI/CD для ML * обеспечивать качество кода и следить за инженерными практиками (тестирование, логирование, мониторинг). Требования * знание основ классического ML и NLP/LLM: классические задачи и архитектуры/подходы для их решения, метрики, процесс обучения моделей * опыт разработки и продакшен-внедрения RAG-систем, AI-ассистентов, работа с векторными хранилищами и retrieval-стеком * отличное знание Python, опыт написания промышленного, поддерживаемого и тестируемого кода, работы с параллелизмом и асинхронностью. Плюсом будет: * знание CI/CD, владение инструментами разработки и инфраструктуры - Docker/Openshift/Kubernetes/Jenkins/Prometheus/Graphana/Kafka, PostgreSQL. Что ещё может пригодиться: * Hadoop, PySpark, Airflow * Scala, SQL * CI/CD (у нас Jenkins+Bitbucket+Nexus), DevOps Условия * комфортный современный офис рядом с м. Кутузовская * возможность выбрать удобный график – офис/гибрид * ежегодный пересмотр зарплаты, квартальная и годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития   * программа адаптации и помощь руководителя на старте * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.

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

Задачи: - Разрабатывать и дообучать модели NLP/LLM: эмбеддинги, генерация, RAG-подходы. - Исследовать новые архитектуры, ставить эксперименты, проводить A/B-тесты. - Проектировать и развивать сервисы на базе языковых моделей: ассистенты, интеллектуальный поиск, генерация документов и кода. - Оптимизировать инференс и внедрять модели в продакшн совместно с ML и backend-командами. - Работать с данными: предобработка, векторизация, организационное хранение knowledge-баз. Требования: - 3+ лет коммерческого опыта в NLP/LLM. - Глубокая математика: ML, статистика, теория вероятностей. - Python + DS-стек: pandas/polars, numpy, scipy, scikit-learn. - Практика с PyTorch, Transformers, sentence-transformers, LangChain / LangGraph / LlamaIndex. - Опыт работы с моделями Qwen, DeepSeek, Llama, Mistral; SFT, LoRA, QLoRA, prompt-tuning. - Навыки работы с Docker, Kubernetes, CI/CD. - Умение настраивать и оптимизировать RAG-пайплайны. Будет плюсом: - Опыт в финтехе или корпоративных экосистемах. - Работа с Hadoop (Hive, PySpark), Greenplum, PostgreSQL. - Понимание интеграции LLM в бизнес-процессы. - Опыт работы в кросс-функциональных командах.