Разработка, обучение и оптимизация моделей машинного обучения (NLP, классификация, генеративные модели, embeddings, retrieval).

Построение и улучшение пайплайнов обработки текстовых данных: очистка, разметка, препроцессинг, векторизация.

Разработка и интеграция моделей в продакшн (FastAPI, Docker, CI/CD).

Оптимизация inference: квантование, тюнинг, ускорение на GPU/CPU, работа с большими наборами данных.

Построение поисковых и рекомендательных систем (BM25, semantic search, reranking).

Разработка внутренней ML-инфраструктуры: мониторинг моделей, A/B-тесты, метрики качества.

Работа с большими языковыми моделями (LLMs): prompting, finetuning, RAG-архитектуры.

Взаимодействие с командой разработки для внедрения моделей в существующие сервисы.

Уверенный опыт работы ML Engineer/DS/NLP Engineer.

Глубокие знания в NLP: embeddings, transformers, seq2seq, классификация, NER, semantic similarity, retrieval.

Опыт работы с фреймворками: PyTorch, TensorFlow, HuggingFace Transformers, SentenceTransformers.

Умение строить и оптимизировать модели на GPU (CUDA, quantization, ускоренные attention-механизмы).

Опыт работы с векторными базами данных (Qdrant, Milvus, FAISS) и поисковыми движками (Elasticsearch, OpenSearch).

Знание Python на продакшн-уровне, опыт создания сервисов на FastAPI.

Уверенная работа с Docker, Git, Linux-средой.

Понимание принципов MLOps — будет плюсом.

Плюсом будет опыт работы с LLM (Qwen, Llama, DeepSeek) и построения RAG-систем.

Работа над крупными и технологическими проектами с упором на NLP и LLM.

Возможность предлагать и реализовывать собственные архитектурные решения.

Конкурентная зарплата, обсуждается индивидуально по уровню.

Доступ к GPU-ресурсам, современным ML-стекам, крупным датасетам.

Профессиональный рост: участие в конференциях, internal R&D, разработка собственных моделей.

Молодая дружная команда, минимум бюрократии, быстрые циклы разработки