Data Science & ML — свежие вакансии

Это одна из самых интересных зон в современном ML: здесь нужно одновременно понимать, как устроены сильные VLM, как заставить модель планировать действия и безошибочно пользоваться инструментами, как выстроить агентские среды для обучения и оценки — и как превратить всё это в функции, которыми в продуктах Яндекса будут пользоваться миллионы людей.

У нас много настоящего ресёрча и быстрый цикл внедрения: хорошие идеи не остаются в презентациях, а доходят до реальной модели и пользовательских сценариев.

Учить модель вызывать инструменты (tool calling)

Мы хотим, чтобы модель умела не только отвечать по изображению, но и действовать: вызывать OCR, парсеры, браузер, поиск и внутренние API. Вы будете развивать сам навык надёжного tool use — чтобы модель выбирала подходящий под задачу инструмент, корректно передавала аргументы и разбирала результат, в том числе когда инструмент вернул ошибку или мусор.

Развивать агентское планирование и многошаговость

Одного вызова инструмента мало: агент должен декомпозировать задачу, планировать последовательность действий, удерживать контекст между шагами, восстанавливаться после ошибок и доводить сложные визуальные сценарии до результата. Вы будете учить VLM вести себя как агент, а не как одношаговый «вопрос-ответ», а также повышать устойчивость этого поведения на длинных траекториях.

Строить продовые и непродовые агентские среды

Вам предстоит проектировать окружения, в которых агент учится, оценивается и работает: песочницы, симуляторы и бенчмарки для обучения и офлайн-оценки — и реальные продуктовые сценарии Яндекса. Задача — сделать так, чтобы агент вёл себя надёжно и предсказуемо и в непродовых средах, и в продакшене под нагрузкой.

Больше об ML в Яндексе — в канале Yandex for ML

* Хорошо знаете ML и уверенно ориентируетесь в современных LLM или VLM
* Имеете практический опыт в CV, NLP или мультимодальном обучении
* Знакомы с Reinforcement Learning и понимаете, где RL-подходы применимы
* Понимаете, как строятся агенты и tool calling поверх LLM или VLM, или хотите этим заниматься
* Умеете формулировать гипотезы, ставить аккуратные эксперименты и делать выводы по результатам

* Работали с агентами, автономными пайплайнами или RL в интерактивных средах
* Обучали большие модели или large-scale ML-системы
* Знакомы с tool calling, агентными пайплайнами или обучением моделей работе с внешними инструментами — в том числе в продовых и непродовых средах
* Понимаете ограничения современных VLM и следите за трендами в области агентов и tool-augmented-моделей

Мы - команда GigaChat Pretrain Data, готовим pretrain данные для GigaChat и GigaChat Vision. Pretrain данные - это фундамент, с которого начинается путь современной LLM модели и то, от чего наиболее зависит ее итоговое качество. Сырых данных более 40Пб и основная задача заключается в том, чтобы из этого хаоса сделать датасет, на котором будет обучена лучшая LLM в России.

Мы - команда GigaChat Pretrain Data, готовим pretrain данные для GigaChat и GigaChat Vision. Pretrain данные - это фундамент, с которого начинается путь современной LLM модели и то, от чего наиболее зависит ее итоговое качество. Сырых данных более 40Пб и основная задача заключается в том, чтобы из этого хаоса сделать датасет, на котором будет обучена лучшая LLM в России.

Обязанности:

Основные задачи будут лежать в следующих сферах:

Инфраструктура:

• поддержка данных для обучения VLM на кластере YTSaurus.
• построение удобной платформы для эффективного анализа/обработки данных (фильтрация, дедупликация и пр.)
• автоматизация процессов через Airflow.

RnD:

• поиск и синтез данных для обучения VLM (есть несколько областей: OCR/Charts&Tables/Grounding&Counting/General и тд).
• исследование пайплайнов по созданию чистых и разнообразных датасетов (на примере FineVision).

Эксперименты и метрики:

• Обучение VLM на подготовленных данных.

• проведение исследований релевантных intrain метрик, бенчмарков для замера качества.

• Опыт построения дата пайплайнов и data quality процессов

• Опыт работы в production ml команде (большие нагрузки как преимущество)

• Понимание задач CV и современных подходов в больших языковых моделях

• Опыт решения задач, связанных с влиянием данных на качество VLM

• Практический опыт работы с VLM.

• комфортный современный офис рядом с м. Кутузовская

• возможность выбрать удобный график – офис/гибрид/удаленка (в РФ)

• годовая премия

• корпоративный спортзал и зоны отдыха

• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа

• ипотека для сотрудников по дисконтной прогамме

• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров

• вознаграждение за рекомендацию друзей в команду Сбера.

Наша команда развивает качество ключевой LLM-технологии компании — Alice AI LLM. Мы работаем над тем, чтобы наши модели становились умнее, полезнее и надёжнее, и ищем лида экспертной аналитики, который поможет нам двигаться ещё быстрее.

Мы создаём новые метрики, проектируем процессы сбора и валидации данных, глубоко анализируем поведение моделей и выводим их на новые уровни качества. Особое внимание уделяем росту качества в экспертных срезах — областях, где корректность ответа может оценить лишь небольшое количество специалистов с профильным образованием и опытом. В таких задачах важно не только оценить вывод модели, но и определить авторитетные источники, проверить корректность аргументации и предложить визуализацию идеального, эталонного ответа.

Стратегия и лидерство

Вы будете формировать аналитическую стратегию для развития LLM-навыков модели, строить команду аналитиков, заниматься менторством и планировать ресурсы. Также вам предстоит разработать подходы к оценке качества LLM в разных продуктах компании в экспертных доменах.

Система метрик и оценок

Вы будете разрабатывать комплексные метрики, отражающие реальное качество моделей, создавать методологии оценки в сверхсложных экспертных срезах — формировать критерии, подбирать авторитетные источники, описывать идеальные ответы. Также предстоит сравнивать собственные модели с SOTA-подходами на рынке и автоматизировать оценки с помощью LLM (LLM-as-a-judge) и гибридных методов.

Сбор данных

Вы будете запускать сложные процессы разметки данных для fine-tuning и RLHF/RLAIF, работать с узкими экспертными группами, строить пайплайны с участием доменных специалистов и ускорять процессы с помощью LLM-инструментов, а также контролировать качество данных и готовить датасеты для исследовательских задач.

Внедрение лучших практик

Вы будете отслеживать и анализировать новые исследования, бенчмарки и методологии, проводить эксперименты с synthetic data, LLM feedback, active learning, expert-in-the-loop и внедрять исследовательские находки в производственные процессы.

Больше об аналитике в Яндексе — в канале Yandex for Analytics

* Управляли командой аналитиков не менее трёх лет
* Любите работать с данными и умеете извлекать из них практический результат
* Знаете математическую статистику и теорию вероятностей
* Умеете писать код на Python и знаете алгоритмы
* Самостоятельны и готовы браться за новые задачи, для которых нет готового решения
* Интересуетесь развитием LLM и хотите глубоко погрузиться в тему

Решение задачи локомоции — один из ключевых вызовов в современной робототехнике. Мы создаём и обучаем модели, которые учат роботов ходить, сохранять равновесие и выполнять сложные двигательные действия в рамках симуляции и в реальном мире.

Вы будете работать с RL-агентами в Isaac Lab и MuJoCo, разрабатывать физические сцены: от лестниц до пересечённой местности, адаптировать современные подходы вроде Residual RL и Diffusion Policy под реальные задачи движения.

Задача — научить робота двигаться естественно, устойчиво и безопасно.

Обучение RL-агентов локомоции

Вам предстоит создавать и обучать политики ходьбы, балансировки и сложных двигательных скиллов в Isaac Lab и MuJoCo.

Исследование и применение современных методов RL

Вы будете адаптировать под задачи локомоции разные идеи из научных статей: от Residual RL до transformer-control.

Создание и усложнение симуляционных сред

Нужно будет проектировать физические сцены, на которых роботы будут учиться двигаться: лестницы, неровные поверхности, препятствия.

Анализ и улучшение поведения агентов

Предстоит разрабатывать метрики, валидировать reward-функции, искать неочевидные зависимости и точки роста в поведении моделей.

Внедрение разработок на реальных роботах

Вы будете переносить обученные политики на реальные платформы и наблюдать, как ваши модели начинают двигаться в физическом мире.

Больше об ML в Яндексе — в канале Yandex for ML

* Обучали модели RL и внедряли решения в продакшен или исследовательские пайплайны
* Уверенно программируете на Python и работаете с PyTorch
* Понимаете кинематику и динамику роботов
* Разбираетесь в современных RL-подходах PPO, SAC, TD3 и т. д.
* Умеете формулировать гипотезы и выстраивать эксперименты для их проверки
* Читаете и внедряете идеи из научных статей с ICRA, CoRL, NeurIPS, RSS и других
* Имеете опыт работы с Isaac Lab, Isaac Gym и MuJoCo

* Знаете C++ или CUDA, имеете опыт симуляции физики и оптимизации вычислений
* Понимаете подходы Early Experience и Diffusion Policy

Яндекс Реклама — это огромная высокотехнологичная высоконагруженная система, которая позволяет рекламодателям продвигать объявления, площадкам — монетизироваться, пользователям — видеть релевантную рекламу, ну и, конечно, генерирует прибыль Яндексу. В рекламе работает большое количество нейронных сетей. Мы улучшаем их, внедряем современные архитектуры и видим, как наши модели приносят компании реальную пользу!

Большие данные и SOTA-модели

Чтобы добиться максимального качества, мы используем тяжёлые трансформерные архитектуры и обучаем их на петабайтах данных. В процессе экспериментов мы не просто исследуем архитектуры из статей и проверяем факторы, но и задумываемся об оптимизации. В рекламную сеть Яндекса ежесекундно приходят десятки и сотни тысяч запросов — и нужно очень быстро подбирать релевантные рекламные объявления. Внедрённые ARGUS (авторегрессивный трансформер над историей пользователя), DeepRanker (нейроранжирование), VibeNet (модель с эмбеддами на 2 Tb), а также находящиеся в работе (например, проекты с end2end-моделями или SemanticID) показывают, насколько крутые и современные модели мы разрабатываем и успешно внедряем, даже несмотря на огромный RPS.

ML-системы и продакшен-код

Вам предстоит работать с полным циклом создания ML-модели: от сбора логов и обучения до внедрения в продакшен. В том числе вы станете взаимодействовать с различными сервисами рекламы и писать код, который будет применяться в реалтайме и принесёт реальную пользу!

Прикладные исследования

Мы следим за трендами, поэтому не только внедряем модельки, но и занимаемся как фундаментальными исследованиями в области рекомендательных систем, так и прикладными исследованиями для конкретного рекламного домена. Результаты наших исследований действительно заметны и приносят пользу: мы чётко понимаем, насколько сильно улучшаем рекламные продукты.

Больше об ML в Яндексе — в канале Yandex for ML

* Отлично знаете математику
* Понимаете основные принципы ML
* Понимаете принципы глубинного обучения и работали с ним
* Применяли PyTorch или TensorFlow
* Интересуетесь трендами рекомендательных систем (RecSys) и знакомы с современными статьями и SOTA-архитектурами
* Знаете основные принципы и архитектуры RecSys

* Глубоко знаете NLP (Natural Language Processing) и Deep Learning
* Занимались распределённым обучением нейросетей
* Знаете C++ на экспертном уровне

Обязанности:
-Разработка и внедрение моделей машинного обучения и глубокого обучения (ML/DL) для бизнес-задач.
-Оптимизация и поддержка существующих алгоритмов.
-Работа с большими данными: очистка, подготовка, анализ.
-Интеграция моделей в продакшн (API, микросервисы).
-Исследование новых подходов в области AI (LLM, генеративные модели).
Требования:
-Опыт работы от 2 лет в области ML/AI.
-Знание Python и библиотек: TensorFlow, PyTorch, scikit-learn.
-Опыт работы с SQL и NoSQL базами данных.
-Понимание архитектуры нейронных сетей, NLP, CV.
-Английский язык — уровень B2 и выше.
Будет плюсом:
-Опыт работы с облачными платформами (AWS, GCP, Azure).
-Знание MLOps и CI/CD.
-Участие в AI-хакатонах или open-source проектах.

В работе мы ставим амбициозные цели и не останавливаемся на достигнутом. Поэтому для нас так важно, чтобы каждый участник большой команды Авито разделял культуру компании. Погрузиться в неё помогает Манифест, в котором собраны наши основные ориентиры — миссия, ценности, принципы работы.

О команде

Главная — самая большая точка входа в Авито: сотни миллионов показов в день. Наша команда отвечает за финальное ML-ранжирование, балансируя релевантность и разнообразие рекомендаций. От нас напрямую зависит количество сделок между покупателями и продавцами.

Какие задачи вас ждут

• Развивать нейроранкер на базе early-fusion Transformer: эффективный attention, ID-based-представления и мультимодальные сигналы.
• Проектировать multi-objective ranking: новые таргеты и функции потерь.
• Масштабировать распределённое обучение на multi-node GPU-кластере с H100.
• Регулярно дообучать модели на свежих пользовательских данных.
• Строить реактивную ленту, адаптирующуюся к действиям пользователя прямо во время просмотра.
• Исследовать и разрабатывать алгоритмы, обеспечивающие баланс между релевантностью и разнообразием рекомендаций.

Мы ждём, что вы

• Имеете production-опыт в рекомендациях, поиске или ML-ранжировании.
• Хорошо владеете PyTorch и умеете обучать DL-модели на больших объёмах данных.
• Ведёте ML-задачи end-to-end: от гипотезы и обучения до A/B-теста и внедрения в продукт.

Будет здорово, если вы:

• Следите за исследованиями в рекомендательных системах и превращаете идеи из статей в работающие эксперименты.
• Имеете опыт распределённого обучения больших нейросетевых моделей.

Работа у нас — это

• Возможность влиять на бизнес и развитие продукта.
• Интересные и разнообразные задачи: аналитики в Авито ищут точки роста бизнеса, изучают поведение пользователей, придумывают фреймворки и настраивают дашборды.
• Много качественных данных, мощная инфраструктура и инструменты, любое необходимое железо — всё готово для продуктивной работы.
• Прозрачная система премий, достойная зарплата, размер обсудим на собеседовании.
• Личный бюджет на обучение, который можно тратить на книги, курсы и конференции.
• Забота о здоровье: с первого дня у вас будет ДМС со стоматологией, в офисе принимают терапевт и массажист.
• Удалёнка и замечательный офис в двух минутах от метро «Белорусская»: панорамный вид на центр города, места для уединённой работы и зоны отдыха.

В работе мы ставим амбициозные цели и не останавливаемся на достигнутом. Поэтому для нас так важно, чтобы каждый участник большой команды "Авито" разделял культуру компании. Погрузиться в неё помогает Манифест, в котором собраны наши основные ориентиры — миссия, ценности, принципы работы.

О команде

Команда разрабатывает и поддерживает алгоритмы скоринга и проверки пользователей.

Наша главная цель — минимизировать действия, которые могут навредить пользователям и платформе. Мы выявляем и предотвращаем массовые авторегистрации, аренду аккаунтов, взломы учётных записей и другие проявления фрода.

Примеры будущих задач

• Разрабатывать и внедрять модели для детекции взломов, аренды аккаунтов и авторегистраций.
• Улучшать существующие эвристики и модели: от простых правил до ML-систем с онлайн-инференсом.
• Подбирать оптимальные санкции.
• Анализировать эффективность решений на исторических данных и в продакшене с учётом бизнес-метрик.
• Проводить A/B-тесты и выводить модели в продакшен.
• Улучшать алгоритмы поиска фрода в сервисе, который обрабатывает тысячи событий в минуту.
• Находить эффективные решения реальных бизнес-задач.
• Развивать существующие средства обнаружения фрода и адаптировать их к меняющейся внешней среде на основе данных и обратной связи от пользователей этих решений.
• Экспериментировать с SOTA-методами машинного обучения, когда их применение оправдано задачей.
• Проектировать и внедрять end-to-end ML-решения.
• Отслеживать деградацию, следить за метриками в продакшене и участвовать в непрерывном улучшении моделей после запуска.

Мы ждём, что вы

• Умеете проводить полный цикл ML-разработки: данные → модель → прод → мониторинг → проверка влияния (AB или эквивалентные подходы).
• Имеете большой опыт в NLP или значимый опыт вывода и сопровождения моделей в продакшене.
• Уверенно владеете Python и DS-стеком: NumPy / pandas, scikit-learn, CatBoost (или аналоги), и умеете работать с DL-фреймворками (например, PyTorch).
• Понимаете, как выбирать методы под задачу и аргументированно объяснять компромиссы между качеством, стоимостью, скоростью и рисками.
• Умеете оценивать качество моделей при запуске и отслеживать его изменение во времени (дрейф, деградации, проблемы данных).
• Пишете SQL-запросы на уровне, достаточном для анализа данных и диагностики качества.
• Читаете англоязычную техническую литературу.

Будет здорово, если вы:

• Имеете опыт в модерации, Trust & Safety, антифроде.

Работа у нас — это

• Возможность влиять на бизнес и развитие продукта.
• Интересные и разнообразные задачи: аналитики в Авито ищут точки роста бизнеса, изучают поведение пользователей, придумывают фреймворки и настраивают дашборды.
• Много качественных данных, мощная инфраструктура и инструменты, любое необходимое железо — всё готово для продуктивной работы.
• Талантливая команда, крутая аналитическая культура и сообщество профессионалов.
• Прозрачная система премий, достойная зарплата — размер обсудим на собеседовании.
• Личный бюджет на обучение, который можно тратить на книги, курсы и конференции.
• Забота о здоровье: с первого дня у вас будет ДМС со стоматологией, в офисе принимают терапевт и массажист.
• Удалёнка и замечательный офис в двух минутах от метро «Белорусская»: панорамный вид центр города, места для уединённой работы и зоны отдыха.

Задачи

— развивать ML-модели конверсии в продуктах продвижения в сделках и бронированиях, находить точки роста выручки за счет улучшения ранжирования;

— развивать подходы к обучению моделей в условиях смещенных данных и длинной обратной связи;

— адаптировать существующие DL-наработки под задачи ранжирования в воронке долгих действий, вести переход с классического ML на DL;

— улучшать качество ранжирующей нейросети с учетом продуктовых ограничений и требований к скорости инференса.

Требования

— имеете опыт от 4 лет в ML и разработке моделей, которые влияют на продуктовые метрики (конверсию, выручку и т. д.);

— работали с DL и поддерживали DL-модели в проде;

— умеете строить и интерпретировать AB-тесты, связывать офлайн-метрики моделей с бизнес-результатом;

— умеете самостоятельно находить точки роста: формулировать гипотезы, приоритизировать и доводить до продакшена;

— готовы писать продакшен-код;

— умеете аргументировать решения на основе данных, объяснять сложные вещи простыми словами и договариваться с коллегами.

Условия и бенефиты

— возможность улучшать опыт миллионов пользователей;

— интересные и сложные задачи на большом масштабе;

— сильная команда, которая всегда готова прийти на помощь;

— возможность изучать и пробовать новое, мощное железо для этого;

— бюджет на обучение, который можно тратить на курсы или профессиональную литературу;

— забота о здоровье: с первого дня у вас будет ДМС со стоматологией, в офисе принимают терапевт и массажист;

— возможность работать удалённо или из офисов в четырёх городах России.

Обязанности

• Развитие ML-направления и управление командой
• Построение и развитие внутренних пайплайнов для разработки ML моделей (Feature Store, Experimentation Platform, Online and Offline Inference)
• Проведение код-ревью и внедрение стандартов качества кода
• Разработка, деплоймент, поддержка и мониторинг классификационных и регрессионных моделей: Price Elasticity Model, Early Repayment Prediction Model, Loan Disbursement Prediction Model, Interest Rate Uplift Model, Payment Date Recommendation, Application Scoring, Behavioral Scoring, Income Estimation, Antifraud Scoring, Collection Scoring и др.
• Исследование и интеграция новых источников данных для расширения признакового пространства
• Взаимодействие со стэйкхолдерами и смежными командами (Data Engineers, DevOps, Data Analysts), выявление бизнес-потребностей

Требования

• Наличие опыта в DS / ML от 3 лет
• Наличие опыта управления командой от 2 лет
• Умение декомпозировать задачи, планировать и поддерживать работу команды
• Глубокое понимание классических ML алгоритмов
• Опыт решения ML задач: Uplift-моделирование, бинарная классификация, регрессия
• Уверенное владение Python и соответствующими библиотеками: catboost, xgboost, lightgbm, statsmodels, scikit-learn, optuna, FastAPI, git, Airflow
• Уверенное владение инструментами для анализа и визуализации данных: SQL (GreenPlum), pandas, seaborn, matplotlib
• Уверенное знание теории вероятности и статистики

Условия

• Возможность решать интересные прикладные задачи с непосредственным влиянием на бизнес-результат по множеству банковских продуктов: Cash Loan, Mortgage, Car Loan, Loans for Medium and Small Enterprises
• Условия для роста и развития:
• возможность участия в командировках;
• Работа с различными доменами данных: соцдем, карточные транзакции, доходы, кредитная история, телеком, финансовая отчетность компаний и др.
• Годовой бонус

Мы развиваем машинное обучение в Поиске Яндекса. Наша команда заботится о качестве поисковой выдачи: создаём модели ранжирования и персонализации, пробуем новые подходы и повышаем полезность поиска для миллионов пользователей.

Поиск сегодня должен быстро подстраиваться под изменения в поведении пользователей и появление нового контента. Мы охватываем весь жизненный цикл ML‑моделей: разрабатываем новые признаки, обучаем модели, проводим эксперименты, дообучаем их онлайн и внедряем решения в продакшен.

Наша цель — поддерживать актуальность поисковой выдачи, учитывать интересы пользователей и оперативно реагировать на изменения в данных.

Развитие моделей ранжирования

Вы будете улучшать модели, определяющие порядок документов в поисковой выдаче: разрабатывать новые признаки, экспериментировать с архитектурами моделей, обучать их и внедрять лучшие решения в продакшен.

Персонализация поиска

В ваши обязанности войдёт работа над моделями персонализации, генерации кандидатов и ранжирования, чтобы поисковая выдача лучше учитывала интересы пользователя. Вам предстоит обучать модели, проводить A/B‑эксперименты и анализировать их результаты.

Адаптивность поисковой выдачи

Вы будете развивать решения, которые позволят поисковой выдаче оставаться актуальной — даже когда меняется поведение пользователей и появляются новые документы. Вам предстоит дообучать модели в онлайн‑режиме, совершенствовать решения для холодного старта и ускорять адаптацию поиска к изменениям в данных и интересам пользователей.

Больше об ML в Яндексе — в канале Yandex for ML

* Разрабатывали и обучали ML‑модели
* Владеете Python на уверенном уровне
* Хорошо понимаете классические алгоритмы и структуры данных
* Умеете работать с данными и критически оценивать результаты экспериментов
* Хотите делать продукт, которым ежедневно пользуются миллионы людей

* Работали с задачами ранжирования или рекомендательными системами
* Проводили A/B‑эксперименты и внедряли модели в продакшен
* Работали с высоконагруженными системами
* Знакомы с современными подходами в RecSys и NLP

Поиск с Алисой — одно из крупнейших обновлений Поиска Яндекса. Новый сервис объединяет технологии поиска и генеративных нейросетей и позволяет дать один ёмкий ответ на вопрос пользователя. Мы стремимся с помощью Алисы сделать генеративный поиск будущего и ищем людей, которые помогут нам в этом.

О последних успехах нашей команды можно прочитать в пресс-релизе.

Эксперименты с самыми последними LLM (SFT, RL)

Вас ждут все стадии алайнмента LLM, от SFT до RL, для улучшения итогового качества продукта.

Разработка сложных технологических пайплайнов на стыке самого современного NLP и классического ML

Вам предстоит работать с широким спектром сложных и интересных задач: от классического ML/IR (выбора и ранжирования документов для генерации) до NLP и обучения LLM.

Участие в брейнштормах и обсуждении новых продуктовых решений

Вы будете участвовать в обсуждениях продуктовых решений, которые влияют на миллионы пользователей Поиска.

* Горите темой больших языковых моделей и занимались их обучением
* Разбираетесь в современном NLP и решали c его помощью продуктовые задачи
* Умеете и хотите решать продуктовые ML-задачи полного цикла: от сбора разметки до внедрения в продакшн

* Глубоко разбираетесь в алайнменте LLM
* Умеете собирать RAG-пайплайны
* Умеете писать код для распределённого обучения больших моделей

<iframe width="560" height="315" src="https://runtime.strm.yandex.ru/player/video/vplvxk3zmhflhz5j2y2a?autoplay=1&mute=1" allow="autoplay; fullscreen; accelerometer; gyroscope; picture-in-picture; encrypted-media" frameborder="0" scrolling="no"></iframe>

Мы развиваем Нейро — систему моделей для построения ответов LLM с использованием поиска как источника информации и обогащений ответа. Мы внедрили такую систему в Поиск Яндекса и сейчас стоим перед новым вызовом: научиться решать сложные сценарии с использованием Поиска, которые возникают в чате с Алисой.

Представьте запрос «составь план путешествия, чтобы увидеть косаток летом». Чтобы построить хороший ответ на него, нужны многостадийный поиск, использование картинок и данных от отелей, хорошая структура и высокая достоверность. И таких запросов — сотни тысяч из разных аспектов.

Наша команда отвечает за Align-модели Нейро: обучает SFT, исследует самые новые алгоритмы RL, максимизирует реворды, внедряет длинные контексты и MoE. Также важна часть с оптимизациями моделей: Нейро используют десятки миллионов человек, и чтобы держать такую нагрузку, нужно постоянно искать и внедрять новые методы оптимизации. Сейчас перед нами стоят новые вызовы, и мы ищем в команду сильного DL-разработчика, знающего LLM и умеющего писать код.

Исследование подходов RL

Так как Нейро должен не только писать тексты, но и использовать картинки, видео, подходящую структуру, мы используем десятки реворд-моделей для оптимизации разных аспектов. Сейчас наши основные методы — DPO и CE-RL, но они несовершенны, и мы хотим обучаться эффективнее. Нужно будет читать статьи, реализовывать новые методы, а также совершенствовать текущие.

Оптимизации моделей

Раскатка Нейро на миллионы пользователей — это очень дорого, а когда речь начинает идти о многостадийных поисках, то числа становятся совсем заоблачными. Нужно исследовать, реализовывать и иногда дебажить квантования, дистилляции, спекдеки. А потом внедрять их без потерь качества.

Поиск новых направлений

Когда делаешь новый продукт, возникает множество челленджей, и важно среди них находить точки роста, которые потом конвертируются в задачи. Например, нам не хватает более длинного контекста, не хватает умения «видеть» картинки. Когда такая точка роста находится, нужно превратить её в задачу, договориться со смежниками про совместные действия и довести эту задачу до конца в вопросах не только разработки, но и менеджмента. Такие задачи отлично помогают расти в сторону лида или техлида, и возникают они регулярно.

Подробнее про Alice AI

Больше об ML в Яндексе — в канале Yandex for ML

* Понимаете, как устроены LLM, как они обучаются и какие у них степени свободы
* Знаете классические DL и ML
* Пишете код на Python
* Читаете статьи, готовы к сложным вызовам и амбициозным задачам

* Работали с RL
* Реализовывали методы оптимизации или продакшн-инференса моделей

Нейро — это мультимодальный продукт будущего, где мощь генеративных моделей сочетается с различными источниками внешней информации, список которых постоянно расширяется: веб-поиск, поиск по картинкам, информация об организациях на Картах и т. д. Мы внедрили такую систему в Поиск Яндекса и сейчас стоим перед новым вызовом: научиться решать сложные сценарии, которые возникают в чате с Алисой.

Мы разрабатываем LLM-оценщик и реворд-модели — это ключевые элементы пайплайна Нейро: их оценки напрямую влияют на то, как нейросети Яндекса учатся, генерируют и анализируют. Наш LLM-асессор не только обнаруживает ошибки, но и объясняет их, приближая нас к созданию системы, которая умеет думать, анализировать и совершенствоваться. Именно мы направляем Нейро в сторону генеративного продукта будущего.

Присоединяйтесь к нам, чтобы конкурировать с международными IT-гигантами и делать продукт будущего в настоящем!

Улучшение Нейро в Алисе

Вам предстоит совершенствовать процесс алайнмента Нейро с использованием реворд-моделей и LLM-оценщика, а также решать смежные задачи, которые связаны с алайнментом.

Исследования в области LLM-as-a-judge

Вы будете проводить эксперименты с подходами test-time scaling для LLM-оценщика, который не только ставит оценки, но и объясняет их.

Улучшение LLM-оценщика

Нужно улучшать LLM-оценщика на всех стадиях его обучения: от annealing до GRPO, а также развивать мультимодальный VLM-оценщик: мы стремимся научить LLM-асессор оценивать не только текст, но и другое мультимодальное обогащение ответа.

Подробнее про Alice AI

Больше об ML в Яндексе — в канале Yandex for ML

* Видите за PyTorch-кодом математику: понимаете, как устроены LLM «под капотом»
* Умеете превращать научные статьи в код: реализовывали SOTA-методы и алгоритмы
* Обладаете широким кругозором и компетенциями в NLP и DL

* Обладаете глубокими знаниями в области LLМ и RL
* Работали с крупными моделями и распределённым обучением

<iframe width="560" height="315" src="https://runtime.strm.yandex.ru/player/video/vplvxk3zmhflhz5j2y2a?autoplay=1&mute=1" allow="autoplay; fullscreen; accelerometer; gyroscope; picture-in-picture; encrypted-media" frameborder="0" scrolling="no"></iframe>

Нейро — это большой технологический проект, который объединяет LLM, LLM-агентов, ассистентов и поиск по веб-документам. С его помощью мы хотим построить поиск будущего — более умный, более глубокий, более полезный и более активный. Одно из важнейших свойств такой системы — достоверность ответов, которая подразумевает фактологическую точность и подтверждённость на основе данных из надёжных источников. Мы разрабатываем подходы, которые позволяют обеспечивать эти свойства в наших генеративных моделях, и ищем LLM-разработчика, который усилит это направление.

Создание и улучшение реворд-моделей

Для обучения генеративных моделей с помощью RL критически важно иметь хорошие реворды, которые умеют автоматически оценивать соответствие ответов требуемым свойствам. Мы обучаем дискриминативные и генеративные реворд-модели, используем все доступные современные методы для улучшения их качества: SFT, RL, ризонинг. Эта работа напрямую влияет на улучшение качества ответов для пользователей.

Обучение LLM-асессора

Мы стремимся сделать процесс оценки качества ответов более эффективным и точным. Вы будете работать над созданием LLM-агентов, которые будут помогать человеку с фактчекингом и разметкой данных, благодаря чему эти процессы станут быстрее, дешевле и даже качественнее.

Сжатие и удешевление LLM-асессора и реворд-моделей

Для обучения сильных LLM нужно большое количество данных, а значит, нам нужно запускать много процессов разметки и обучения. Вам предстоит экспериментировать с архитектурами и методами уменьшения моделей и ускорения инференса, чтобы все наши пайплайны сходились быстрее.

Подробнее про [Alice AI](https://ya.ru/ai/aliceai#section-llm)

* Знаете Python
* Хорошо разбираетесь в классических DL и NLP
* Решали NLP-задачи с использованием трансформеров
* Понимаете, как устроены современные LLM, решали с их помощью прикладные задачи или имеете релевантный исследовательский опыт

Мы - команда GigaChat Pretrain Data, готовим pretrain данные для GigaChat и GigaChat Vision. Pretrain данные - это фундамент, с которого начинается путь современной LLM модели и то, от чего наиболее зависит ее итоговое качество. Сырых данных более 40Пб и основная задача заключается в том, чтобы из этого хаоса сделать датасет, на котором будет обучена лучшая LLM в России.

Основные задачи будут лежать в следующих сферах:

Инфраструктура:

• поддержка данных для обучения VLM на кластере YTSaurus.
• построение удобной платформы для эффективного анализа/обработки данных (фильтрация, дедупликация и пр.)
• автоматизация процессов через Airflow.

RnD:

• поиск и синтез данных для обучения VLM (есть несколько областей: OCR/Charts&Tables/Grounding&Counting/General и тд).
• исследование пайплайнов по созданию чистых и разнообразных датасетов (на примере FineVision).

Эксперименты и метрики:

• Обучение VLM на подготовленных данных.

• проведение исследований релевантных intrain метрик, бенчмарков для замера качества.

• Опыт построения дата пайплайнов и data quality процессов

• Опыт работы в production ml команде (большие нагрузки как преимущество)

• Понимание задач CV и современных подходов в больших языковых моделях

• Опыт решения задач, связанных с влиянием данных на качество VLM

• Практический опыт работы с VLM.

• комфортный современный офис рядом с м. Кутузовская

• возможность выбрать удобный график – офис/гибрид/удаленка (в РФ)

• годовая премия

• корпоративный спортзал и зоны отдыха

• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа

• ипотека для сотрудников по дисконтной прогамме

• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров

• вознаграждение за рекомендацию друзей в команду Сбера.

Мы — Небус: группа компаний в финтехе и МКК, которая растёт как на дрожжах — удваиваем масштабы каждые полгода. Это драйв, амбиции и куча задач, где нужен мощный ML.

Ищем ML-инженера, который не просто пишет код, а зажигает. У нас активный подход к работе и атмосфера взаимного уважения 🤍. Готов ворваться в команду, где твои модели сразу идут в бой? Тогда читай дальше — это твой шанс!

Чем предстоит заниматься:

• Внедрять ML-модели в продакшн: разрабатывать и интегрировать пайплайны для скоринга, оценки рисков и других бизнес-задач в промышленную среду.
• Строить надёжные пайплайны обработки данных: обеспечивать качественную подготовку, валидацию и трансформацию данных для обучения и инференса моделей.
• Оптимизировать производительность алгоритмов: повышать скорость работы кода, снижать потребление ресурсов, улучшать latency и пропускную способность систем.
• Разрабатывать и внедрять MLOps-практики: автоматизировать процессы обучения, тестирования, развертывания и мониторинга моделей (CI/CD для ML).
• Обеспечивать стабильность работы моделей в продакшне: отслеживать дрейф данных и метрик качества, настраивать алерты и процессы переобучения.
• Интегрировать ML-решения с продуктовой архитектурой: работать с разработчиками над созданием API, сервисов и микросервисов на базе моделей.
• Версионировать данные и модели: контролировать воспроизводимость экспериментов и корректное обновление моделей в продакшне.

Что важно для этой роли:

• Опыт коммерческой разработки от 3 лет на позиции ML-инженера или разработчика с сильным уклоном в машинное обучение (опыт в финтехе или высоконагруженных системах будет преимуществом).
• Уверенное владение Python и навыки написания чистого, поддерживаемого, production-ready кода.
• Глубокое знание ML-библиотек: scikit-learn, XGBoost, LightGBM, pandas, numpy.
• Опыт работы с большими данными: уверенное владение SQL, понимание Spark / Dask / аналогичных инструментов.
• Навыки контейнеризации и оркестрации: опыт с Docker (обязательно), знакомство с Kubernetes.
• Понимание принципов MLOps: опыт с инструментами оркестрации (Airflow / Prefect / Kubeflow), системами трекинга экспериментов (MLflow / Weights & Biases), версионирования данных (DVC).
• Системное мышление: понимание, как устроены пайплайны от источника данных до конечного API, умение проектировать отказоустойчивые решения.
• Опыт работы с Git, понимание CI/CD-процессов (GitHub Actions / GitLab CI / Jenkins).
• Умение работать в команде: взаимодействовать с дата-сайентистами (принимать прототипы и делать их промышленными) и бэкенд-разработчиками (интегрировать решения в продукт).

Условия:

• Удалённая работа: работай из любой точки мира.
• Гибкий график: стандартная пятидневка (5/2), но мы ценим твой work-life balance.
• Оформление по ГПХ / СМЗ/ ИП РФ.
• Современные инструменты и дружная команда профессионалов.
• Возможность влиять на продукт и видеть результат своей работы.

Ты хочешь видеть результат своей работы?
У нас ты будешь не винтиком, а автором решений, которые сразу идут в бой. Рост каждые полгода, современный стек, дружная команда.
Не откладывай — отправь отклик сегодня! Твоё будущее в финтехе начинается здесь.

• анализ бизнес-задач, формулирование гипотез;
• выбор метрик и подходов: от классического ML до сложных LLM-агентов;
• проектирование архитектур моделей и нейросетей;
• написание, обучение и отладка моделей;
• проведение экспериментов, сравнение подходов, фиксация результатов;
• менторство дата-сайентистов, проведение код-ревью;
• выстраивание культуры воспроизводимых экспериментов;
• перевод кода из прототипов в Jupyter-ноутбуках в поддерживаемые production-решения;
• управление ожиданиями, приоритизация задач;
• оценка ROI от внедрения ML-функций и инициатив;
• тесная работа с MLOps/DE-лидером для передачи моделей в продакшн;
• написание спецификаций и требований к обслуживанию моделей, данным и мониторингу;
• участие в проектировании пайплайнов и интеграций.

• уверенное знание линейной алгебры, теории вероятностей, статистики и основ математической оптимизации;

• понимание unit-экономики ML;

• умение быстро читать и имплементировать статьи с arXiv, оценивать state-of-the-art подходы;

• умение объяснять сложные математические и ML-концепции;

• продвинутый Python: ООП, асинхронность, написание чистого и поддерживаемого кода;

• продвинутый SQL: оконные функции, оптимизация запросов, работа с большими объёмами данных;

• опыт работы с библиотеками для анализа данных;

• опыт применения градиентного бустинга;

• глубокое понимание метрик, работы с дисбалансом классов и временными рядами;

• глубокое знание PyTorch, Transformers и экосистемы HuggingFace;

• опыт построения RAG-пайплайнов и создания AI-агентов;

• опыт fine-tuning LLM;

• опыт работы с векторными базами данных;

• опыт работы с реляционными и аналитическими СУБД;

• опыт визуализации данных.

• конкурентный уровень з/п (обсуждается индивидуально);
• работа в крупной и стабильной компании – в структуре самой большой ОЭЗ в Европе;
• транспорт до работы из г. Елабуга, г. Набережные Челны, г. Нижнекамск;
• полис добровольного медицинского страхования;
• предоставление платного жилья для иногородних;
• гарантия профессионального роста;
• амбициозная, проектно-ориентированная команда;
• командные и спортивные игры, реализация нестандартных задач;
• карьерный рост при наличии и обретении в процессе работы необходимых компетенций.

Стань одним из тех, кто переносит передовые AI-решения Сбера на один из самых быстрорастущих рынков мира.

Индия сегодня — это один из самых динамичных и перспективных финансовых рынков: огромный объём данных, высокая скорость внедрения технологий и сильная потребность в интеллектуальных продуктах.

Мы ищем  Data Scientist, который поможет адаптировать и применять передовые технологии Сбера по работе с данными и моделями на индийском рынке.

Наша команда строит передовые модели для Индийского филиала Сбера и разрабатывает продукты для клиентов на современном технологическом стеке.

Большой объём информации разной природы и модальностей — последовательности, табличные данные и другие типы данных — вместе с развивающейся технической инфраструктурой позволяют разрабатывать широкую линейку моделей: от классических алгоритмов до самых современных state-of-the-art подходов.

Это возможность работать на стыке:

• сильной российской Data Science-экспертизы

• международного бизнеса

• задач управления рисками

• продуктовых и клиентских сценариев

• внедрения современных AI-инструментов.

• участвовать в полном цикле разработки моделей: постановка задачи, сбор данных, выбор модельных подходов и архитектур, обучение моделей, подготовка артефактов для внедрения с последующим мониторингом

• адаптировать и применять передовые технологии Сбера по работе с данными и моделями на индийском рынке

• исследовать различные подходы к работе с Machine Learning в разнообразных бизнес-задачах

• обрабатывать данные для обучения моделей, расчёта метрик и проверки гипотез

• презентовать результаты исследований техническим и бизнес-командам

• оценивать финансовый эффект от AI-инициатив

• прорабатывать дизайн пилотов и A/B-тестирования.

• высшее образование в области технических / физико-математических наук

• знание английского языка на уровне B2, upper-intermediate

• опыт разработки моделей Machine Learning и успешная реализация кросс-функциональных проектов

• знание ключевых методов и алгоритмов в области Machine Learning

• отличное знание Python и современных инструментов для анализа данных и машинного обучения

• продвинутые навыки работы с базами данных, SQL, PySpark

• высокий уровень ответственности и самостоятельности.

Будет плюсом:

• опыт разработки рисковых моделей (PD, LGD, EAD, etc.)

• общее понимание современных ИИ-инструментов и их возможностей

• навыки внедрения AI-агентов.

• комфортный современный офис рядом с м. Кутузовская

• возможные командировки в Нью-Дели, Индия

• Формат работы — офис, по согласованию гибрид

• ежегодный пересмотр зарплаты 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.

• анализ бизнес-задач, формулирование гипотез;
• выбор метрик и подходов: от классического ML до сложных LLM-агентов;
• проектирование архитектур моделей и нейросетей;
• написание, обучение и отладка моделей;
• проведение экспериментов, сравнение подходов, фиксация результатов;
• менторство дата-сайентистов, проведение код-ревью;
• выстраивание культуры воспроизводимых экспериментов;
• перевод кода из прототипов в Jupyter-ноутбуках в поддерживаемые production-решения;
• управление ожиданиями, приоритизация задач;
• оценка ROI от внедрения ML-функций и инициатив;
• тесная работа с MLOps/DE-лидером для передачи моделей в продакшн;
• написание спецификаций и требований к обслуживанию моделей, данным и мониторингу;
• участие в проектировании пайплайнов и интеграций.

• уверенное знание линейной алгебры, теории вероятностей, статистики и основ математической оптимизации;

• понимание unit-экономики ML;

• умение быстро читать и имплементировать статьи с arXiv, оценивать state-of-the-art подходы;

• умение объяснять сложные математические и ML-концепции;

• продвинутый Python: ООП, асинхронность, написание чистого и поддерживаемого кода;

• продвинутый SQL: оконные функции, оптимизация запросов, работа с большими объёмами данных;

• опыт работы с библиотеками для анализа данных;

• опыт применения градиентного бустинга;

• глубокое понимание метрик, работы с дисбалансом классов и временными рядами;

• глубокое знание PyTorch, Transformers и экосистемы HuggingFace;

• опыт построения RAG-пайплайнов и создания AI-агентов;

• опыт fine-tuning LLM;

• опыт работы с векторными базами данных;

• опыт работы с реляционными и аналитическими СУБД;

• опыт визуализации данных.

• конкурентный уровень з/п (обсуждается индивидуально);
• работа в крупной и стабильной компании – в структуре самой большой ОЭЗ в Европе;
• транспорт до работы из г. Елабуга, г. Набережные Челны, г. Нижнекамск;
• полис добровольного медицинского страхования;
• предоставление платного жилья для иногородних;
• гарантия профессионального роста;
• амбициозная, проектно-ориентированная команда;
• командные и спортивные игры, реализация нестандартных задач;
• карьерный рост при наличии и обретении в процессе работы необходимых компетенций.

• анализ бизнес-задач, формулирование гипотез;
• выбор метрик и подходов: от классического ML до сложных LLM-агентов;
• проектирование архитектур моделей и нейросетей;
• написание, обучение и отладка моделей;
• проведение экспериментов, сравнение подходов, фиксация результатов;
• менторство дата-сайентистов, проведение код-ревью;
• выстраивание культуры воспроизводимых экспериментов;
• перевод кода из прототипов в Jupyter-ноутбуках в поддерживаемые production-решения;
• управление ожиданиями, приоритизация задач;
• оценка ROI от внедрения ML-функций и инициатив;
• тесная работа с MLOps/DE-лидером для передачи моделей в продакшн;
• написание спецификаций и требований к обслуживанию моделей, данным и мониторингу;
• участие в проектировании пайплайнов и интеграций.

• уверенное знание линейной алгебры, теории вероятностей, статистики и основ математической оптимизации;

• понимание unit-экономики ML;

• умение быстро читать и имплементировать статьи с arXiv, оценивать state-of-the-art подходы;

• умение объяснять сложные математические и ML-концепции;

• продвинутый Python: ООП, асинхронность, написание чистого и поддерживаемого кода;

• продвинутый SQL: оконные функции, оптимизация запросов, работа с большими объёмами данных;

• опыт работы с библиотеками для анализа данных;

• опыт применения градиентного бустинга;

• глубокое понимание метрик, работы с дисбалансом классов и временными рядами;

• глубокое знание PyTorch, Transformers и экосистемы HuggingFace;

• опыт построения RAG-пайплайнов и создания AI-агентов;

• опыт fine-tuning LLM;

• опыт работы с векторными базами данных;

• опыт работы с реляционными и аналитическими СУБД;

• опыт визуализации данных.

• конкурентный уровень з/п (обсуждается индивидуально);
• работа в крупной и стабильной компании – в структуре самой большой ОЭЗ в Европе;
• транспорт до работы из г. Елабуга, г. Набережные Челны, г. Нижнекамск;
• полис добровольного медицинского страхования;
• предоставление платного жилья для иногородних;
• гарантия профессионального роста;
• амбициозная, проектно-ориентированная команда;
• командные и спортивные игры, реализация нестандартных задач;
• карьерный рост при наличии и обретении в процессе работы необходимых компетенций.