Data Science & ML — свежие вакансии

• 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.

Контур — экосистема для бизнеса. Наши сервисы помогают каждой третьей компании России делать рабочие процессы проще и эффективнее: вести бухгалтерию, сдавать отчетность в госорганы, обмениваться документами без бумаги, общаться друг с другом на удаленке и многое другое. С нами жизнь 3,1 миллионов предпринимателей и их сотрудников становится легче.

О команде

Ищем data scientist в команду ИИ в разработке, которая создает и внедряет ИИ‑решения для ускорения и улучшения качества разработки. На позиции предстоит улучшать качество ИИ-агентов.

Задачи

• Разрабатывать мультиагентные системы ревью кода на базе OpenCode.
• Выстраивать систему оценки качества агентов.
• Анализировать ошибки из продакшена и фидбек пользователей для улучшения агентов.
• Интегрировать агентов в CI/CD и обеспечивать их наблюдаемость в продакшене.

Мы ожидаем

• Опыт работы в промышленной ML-разработке от трех лет.
• Владение Python.
• Уверенное владение PyTorch, Hugging Face transformers, понимание архитектуры трансформеров.
• Знание теории вероятностей, математической статистики, алгоритмов и структур данных.
• Опыт разработки агентов с использованием LangGraph, LangChain, CrewAI или AutoGen. Понимание паттернов проектирования агентов: structured output, память, планирование, циклы агента.
• Практический опыт интеграции агентов с внешними инструментами через function или tool calling и Model Context Protocol.
• Опыт построения систем оценки ИИ-агентов.
• LLM-as-a-judge: опыт использования LLM для автоматической оценки качества ответов другого агента.

Будут плюсами

• Опыт работы с OpenCode CLI и экосистемой плагинов.
• Понимание и применение метрик для агентов: tool accuracy, task success rate, pass@k.
• Практический опыт с векторными базами данных.
• Трассировка и мониторинг: опыт использования систем observability для агентов, например, Langfuse.
• Опыт интеграции агентов в пайплайны CI/CD, работа с Docker, Kubernetes.
• Дообучение LLM: опыт тонкой настройки моделей с применением REFET, включая LoRA и QLoRA.

Мы предлагаем

• Уровень дохода, который зависит от ваших технических знаний и навыков. Регулярно пересматриваем зарплаты с учетом профессионального роста. Финансовые бонусы тоже есть.
• Заботу о вашем комфорте. Можете работать удаленно, гибридно или в офисе, в любом случае предоставим технику и все необходимое. Если вам по душе работать из офиса — обеспечим удобным местом, зонами отдыха, кухней с полезными перекусами.
• Сильное инженерное комьюнити. Регулярно проводим внутренние технические конференции, обмениваемся опытом между командами. Вы всегда найдете, с кем посоветоваться.
• Возможность сменить продукт, команду или предметную область внутри компании. Поддерживаем развитие в любом направлении.
• Общение на «ты» и максимум горизонтальных связей в коллективе, чтобы быстрее договариваться и решать рабочие задачи.
• Возможность делиться экспертизой. Помогаем выступать на конференциях, участвовать в подкастах или видео, писать статьи.
• Поддержку профессионального развития. Организуем внутреннее и внешнее обучение.

Мы — core-команда, которая отвечает за ML для понимания аудио во всем Сбере.

За последний год мы выложили в open source SOTA-модель для распознавания речи на русском языке — GigaAM, а прошлой весной первыми в России запустили нативное понимание звука в LLM — GigaChat Audio.

Сейчас мы активно улучшаем мультимодальные возможности GigaChat: работаем над качеством на сложных аудио- и визуальных контекстах и учим модель понимать видео не только по звуковому потоку, но и по кадрам.

Цель — совместное обучение на vision+audio и video+audio диалогах длительностью 90+ минут.

Первый этап отбора на эту вакансию – общение с AI-рекрутером. После отклика вам на почту и в чат на платформе HeadHunter придет приглашение пройти первичное интервью с ГигаРекрутером в Telegram. Диалог займёт примерно 10 минут. Его задача — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. ГигаРекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным!

• Проводить эксперименты по обучению Vision / Audio / Video LLM: данные, стадии обучения, способы смешивания модальностей

• Оптимизировать ML-инфраструктуру для обучения на длинных мультимодальных контекстах

• Формулировать и проверять гипотезы о том, как улучшать качество LLM на видео.

• Сильный опыт в DL-инженерии, желательно в обучении LLM-моделей

• Глубокое знание PyTorch, включая DDP / FSDP

• Понимание distributed training и efficient deep learning: DP / TP / PP / EP / SP, mixed precision, checkpointing, offloading, профилирование и оптимизация обучения

• Понимание архитектуры LLM: Transformer, attention (MHA / GQA / MLA), RoPE и другие позиционные эмбеддинги, long context, MoE

• Уверенный Python на уровне production-кода: asyncio, multiprocessing, профилирование, отладка больших систем.

Будет плюсом:

• Опыт обучения мультимодальных LLM

• Опыт снижения стоимости контекста при обработке видео

• Опыт расширения контекста LLM

• Понимание RL-подходов для обучения моделей: RLHF / RLVR, PPO / GRPO / DPO

• Опыт построения бенчмарков с использованием LLM-as-a-judge.

• крупнейшее DS&AI community — более 600 DS-специалистов банка

• дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира

• возможность быть соавтором НИРов и статей для международных конференций

• возможность выбрать удобный формат работы: гибрид или офис

• ежегодный пересмотр зарплаты, 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 выгоднее до 7% для каждого сотрудника

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

• 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.

Привет! Это GigaChat Vision — команда, которая делает полный цикл обучения VLM моделей, включающий в себя стадии pre-training, SFT и DPO/RL. Мы ищем сильных инженеров и исследователей, которые будут двигать вперед качество мультимодального GigaChat.

Первый этап отбора на эту вакансию – общение с AI-рекрутером. После отклика вам на почту и в чат на платформе HeadHunter придет приглашение пройти первичное интервью с ГигаРекрутером в Telegram. Диалог займёт примерно 10 минут. Его задача — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. ГигаРекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным!

• Самостоятельная работа в рамках заданного направления развития качества VLM: от планирования, до выкатки в прод;

• Планирование и работа над исследовательскими задачами по архитектуре модели, стратегии и данным обучения;

• Формирование гипотез по улучшению качества модели, самостоятельное планирование экспериментов по их подтверждению и постановка multi-node обучений на большом количестве GPU (тысячи A100/H100);

• Решение сложных инженерных задач, развитие и оптимизация кодовой базы обучения и эвала VLM, написание чистого кода и проведение code review;

• Анализ точек роста и определение способов их закрытия.

• Сильный технический бэкграунд в modern ML: понимание того, как данные, архитектура и стратегии обучения влияют на итоговое качество модели;

• Опыт полного цикла обучения VLM или LLM;

• Глубокие знания или опыт работы в области computer vision;

• Понимание принципов работы распределенного обучения (FSDP) или опыт обучения моделей на больших GPU кластерах;

• Наличие навыков технического лидерства: проведение code-review, помощь и менторинг младших сотрудников;

• Умение работать, принимать решения и выстраивать процессы в условиях неопределенности;

• Умение и желание взаимодействовать с коллегами, вносить собственные идеи и предлагать пути достижения общих целей.

Будет плюсом:

• Опыт полного цикла обучения VLM;

• Наличие публикаций в области NLP или CV;

• Опыт решения задач по оптимизации обучения;

• Опыт участия в соревнованиях по машинному обучению или программированию.

• крупнейшее DS&AI community — более 600 DS-специалистов банка

• дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира

• возможность быть соавтором НИРов и статей для международных конференций

• возможность выбрать удобный формат работы: гибрид или офис

• ежегодный пересмотр зарплаты, 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 выгоднее до 7% для каждого сотрудника

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

• вознаграждение за рекомендацию друзей в команду Сбера.

Команда оценки благосостояния разрабатывает алгоритмы оценки платежеспособности клиентов, чтобы принимать более точные и честные решения по кредитам. Мы занимаемся ранжированием клиентов: определяем уровень дохода, выделяем VIP-категории и сегментируем поток, чтобы предлагать каждому клиенту подходящие финансовые решения. 

Наша цель — повысить качество процессов, снизить риски и расширить доступ к кредитам для клиентов с хорошей кредитной историей или ее потенциалом.

• Строить, поддерживать и развивать модели сегментации клиентов
• Проводить A/B-тесты и анализировать их результаты
• Строить и анализировать клиентские метрики, улучшать их за счет поиска точек оптимизации в бизнес-процессах
• Анализировать и оптимизировать процесс андеррайтинга клиента

• Отлично разбираетесь в математической статистике и теории вероятностей
• Умеете проводить A/B-тесты и анализировать их результаты
• Применяете в работе методы классического машинного обучения: линейные и логические регрессии, бустинги. Понимаете DL и знаете ClearML
• Владеете Python на продвинутом уровне, умеете работать с git и Airflow
• Хорошо знаете SQL и работали с PostgreSQL
• Умеете визуализировать данные: можете презентовать результаты работы команде и стейкхолдерам

• Гибридный график и офис у метро «Белорусская», в котором есть все что нужно: Т-Клиника, салон красоты, фитнес-зоны, комнаты для сна и медитации. Если захочется поработать на свежем воздухе — терраса с панорамным видом
• Возможность работы в аккредитованной ИТ-компании
• ДМС со стоматологией, включая чекапы, компенсацию покупки лекарств и льготные условия страхования для близких. Еще — страховка от несчастных случаев и болезней
• Рост по карьерному треку: проходите курсы по софт- и хард-скиллам, развивайтесь с поддержкой ментора и повышайте уровень с матрицей компетенций и регулярным ревью
• Сильное комьюнити. Вы будете работать с экспертами в своей области, сможете делиться знаниями и выступать на конференциях, посещать митапы и писать статьи
• Онлайн-консультации с психологами, юристами, специалистами по финансам и здоровому образу жизни
• Компенсацию затрат на спортивные абонементы, приложение Т-Спорта для онлайн-занятий и командные тренировки с коллегами
• Завтраки и обеды в Т-Кафе. В офисе есть ресторан и кофейни, на каждом этаже — кухня, где можно перекусить
• Три дополнительных дня к отпуску — можно использовать для отдыха или получить компенсацию
• Специальные тарифы на продукты Т-Банка и широкую программу скидок от партнеров
• Достойную зарплату — обсудим ее на собеседовании

• 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.

Дивизион "Моделирование и исследование данных" отвечает за компетенцию Data Science в Блоке.

Мы разрабатываем и внедряем end-to-end решения на основе машинного обучения в бизнес-процессы банка, связанные с обслуживанием клиентов в отделениях Сбера. Сейчас мы ищем в команду Data Scientist’а.

Обязанности

• Построением ML-моделей прогноза продаж и клиентопотока в отделениях Сбера
• Разработкой LLM решений (в т.ч. агентов)
• Ad-hoc аналитикой по работе AI-решений
• Оценкой финансового эффекта от внедренных инициатив
• Ведением всех этапов DS проекта: от постановки задачи и требований с бизнес-заказчиком до внедрения и мониторинга модели

Требования

• Понимание принципов разработки, внедрения и сопровождения ML-решений
• Развитые soft-skill для общения с заказчиком
• Опыт классического ML от 2-х лет
• Опыт разработки на python от 2-х лет
• Опыт разработки агентских систем
• Опыт работы с базами данных, SQL
• Знание математической статистики и машинного обучения

Условия

• Комфортный современный офис рядом с м. Кутузовская (офисный или гибридный режим работы)
• Корпоративный спортзал и зоны отдыха
• Уникальная система обучения Сбера для профессионального и карьерного развития, семинары, тренинги, конференции
• Программа адаптации и помощь руководителя на старте
• ДМС, страхование от несчастных случаев, социальные гарантии
• 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
• Корпоративная пенсионная программа
• Корпоративные мероприятия.

Кредитные продукты — одна из ключевых бизнес-линий в Т-Банке. Миллионы наших клиентов пользуются кредитами, чтобы достигать целей: купить жилье или автомобиль мечты, пойти учиться или поехать в путешествие.

Мы меняем рынок: быстро одобряем кредиты, не запрашиваем справки и создаем интуитивно понятные интерфейсы. Наша цель — сделать кредиты понятными, качественными и надежными.

Наш центр технологий искусственного интеллекта внедряет в кредитные продукты ML-модели. Они улучшают клиентский опыт, развивают технологии и приносят измеримую пользу бизнесу. 

Чем мы занимаемся:

— Прорабатываем решения от гипотезы до А/B-теста и внедрения в продакшен. 

— Решаем задачи ранжирования и поиска в приложении. 

— Увеличиваем рост экономических эффектов от ML.

— Создаем интерфейсные решения, которые меняют клиентские сценарии.

Ищем тимлида с опытом управления кросс-функциональной ML-командой в направление кредитных продуктов. 

Узнать больше о профессии: ML-разработчики в Т‑Банке.

• Управлять ML-командой: выстраивать сильную техническую культуру, развивать таланты, быть наставником и помогать ML-инженерам расти
• Правильно ставить ML-задачи и подбирать нужный стек ML-моделей, собирать и предобрабатывать датасеты для обучения моделей
• Разрабатывать ML-модели c нуля, проводить эксперименты по повышению качества и сравнивать разные подходы
• Участвовать в подготовке и проведении A/B-тестов
• Внедрять модели в продакшен — через регулярно обновляемые витрины данных с их поддержкой или через разработку API-микросервисов на k8s
• Настраивать мониторинг качества модели и бизнес-метрик, проводить диагностику и поддерживать стабильность ML-пайплайнов

• У вас есть опыт работы в ML от 5 лет, из которых от 2 лет — в роли руководителя ML-команд
• Глубоко понимаете машинное обучение и глубокое обучение, знакомы с современными технологиями и индустриальными трендами в ML — в приоритете домены Classic ML, NLP, RecSys, Computer Vision
• У вас есть опыт полного цикла ML-разработки и выстраивания процессов для команды
• Развивали и поддерживали ML-инфраструктуру и MLOps: встраивали модели в продакшен, работали с мониторингом, логированием и масштабированием
• Управляли распределенными командами из 5+ человек: ставили цели, работали над мотивацией, выстраивали командную культуру
• Отлично разбираетесь в проектировании архитектуры ML-пайплайнов и систем — ML System Design, System Design
• Разрабатывали дизайн и запускали A/B-тесты, оценивали эффект от ML
• Работали со стейкхолдерами и бизнес-заказчиками для ведения ML-продуктовой разработки
• Будет плюсом опыт работы в финтехе или крупном банке по внедрению ML в финансовые продукты, знания или опыт работы с графами и DL, опыт работы в ML-доменах — Classic ML, RecSys

• Гибридный график и офис у метро «Белорусская», в котором есть все что нужно: Т-Клиника, салон красоты, фитнес-зоны, комнаты для сна и медитации. Если захочется поработать на свежем воздухе — терраса с панорамным видом
• Возможность работы в аккредитованной ИТ-компании
• ДМС со стоматологией, включая чекапы, компенсацию покупки лекарств и льготные условия страхования для близких. Еще — страховка от несчастных случаев и болезней
• Рост по карьерному треку: проходите курсы по софт- и хард-скиллам, развивайтесь с поддержкой ментора и повышайте уровень с матрицей компетенций и регулярным ревью
• Сильное комьюнити. Вы будете работать с экспертами в своей области, сможете делиться знаниями и выступать на конференциях, посещать митапы и писать статьи
• Онлайн-консультации с психологами, юристами, специалистами по финансам и здоровому образу жизни
• Компенсацию затрат на спортивные абонементы, приложение Т-Спорта для онлайн-занятий и командные тренировки с коллегами
• Завтраки и обеды в Т-Кафе. В офисе есть ресторан и кофейни, на каждом этаже — кухня, где можно перекусить
• 3 дополнительных дня к отпуску — можно использовать для отдыха или получить компенсацию
• Специальные тарифы на продукты Т-Банка и широкую программу скидок от партнеров
• Достойную зарплату — обсудим ее на собеседовании

Центр практического ИИ — подразделение Сбера, которое занимается сложными AI-проектами и решает нетривиальные задачи банка и экосистемы Сбера.

Наша команда строит и дообучает линейку LLM под банковские сценарии и запускает модели в пром в "жёстких" контурах: локальные устройства / закрытые контуры / строгие SLA по задержкам.

Работа включает полный цикл: данные → дообучение → оценка качества → оптимизация инференса → нагрузочное тестирование → внедрение.

Первый этап отбора на эту вакансию – общение с AI-рекрутером. После отклика вам на почту придет приглашение пройти первичное интервью с ГигаРекрутером в Telegram. Диалог займёт примерно 10 минут. Его задача — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры.

ГигаРекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным!

Вы будете:

• обучать LLM на GPU-кластерах
• собирать, очищать и готовть датасеты для pre-training и fine-tuning
• анализировать результаты экспериментов и улучшать качество моделей на основе метрик
• оптимизировать инференс, проводить нагрузочное тестирование и внедрять обученные модели.

Мы ожидаем, что вы:

• имеете подтвержденный практический опыт обучения LLM (pre-training, fine-tuning, aligment) в исследовательских или production-задачах
• глубоко понимаете теоретические и практические аспекты LLM: архитектура, токенизация, построение пайплайнов, batching, mixed precitions, распределенное обучение, дебаг неудачных итераций обучения
• имеете опыт разработки на Python от 3 лет, пишете чистый и поддерживаемый код в рамках современных ML-проектов
• внимательно относитесь к деталям и умеете в коммуникацию с людьми.

Будет плюсом, если вы:

• разрабатывали AI-агентов (tool-using, planning, multi-step workflows), знакомы с агентными фреймворками и архитектурами
• умеете пользоваться инструментами логирования экспериментов (Weights & Biases, MLflow, Langfuse и тд.)
• умеете в оптимизацию инференса и хостинг моделей в production
• дизайнили и поддерживали eval-пайплайны для LLM с метриками, дашбордами, экспериментами, и проверками на регрессию моделей.

Мы предлагаем:

• комфортный современный офис г. Москва, рядом с метро Кутузовская
• возможность выбрать удобный график – офис/гибрид (с посещением офиса не менее 2х дней в неделю)
• ежегодный пересмотр зарплаты и годовая премия
• корпоративный спортзал и зоны отдыха
• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• ДМС, льготное страхование для семьи и корпоративная пенсионная программа
• гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров.

Наша команда строит Единую агентскую платформу.

Enterprise harness – это окружение: среда и набор инструментов, который обеспечивает безопасную и контролируемую работу агента, использование инструментов и навыков, контролирует права, память, контекст, лимиты, аудит и безопасность.

В рамках агентской платформы вам предстоит разрабатывать и внедрять инструменты для окружения агентов. Мы адаптируем лучшие мировые практики, а также сотрудничаем с RnD-командами для пилотирования новых разработок на агентах Банка.

Примеры направлений, которыми мы занимаемся:

• SkillOpt: автоматическая эволюция навыков агентов на основе трейсов и оценки LLM-as-a-Judge;
• Memory-as-a-Service: централизованный сервис памяти для агентов;
• AutoJudge: инструмент для подбора судей и метрик для оценки качества работы агентов.

Обязанности

• Развитие GenAI сервисов: Создание и улучшение RAG-систем (в т.ч. Agentic RAG), инструментов Agent Observability, сервисов обработки документов
• обучение моделей: тренировка и дообучение мультимодальных моделей на русском языке (OCR, Embeddings, Rerankers, VLM)
• MLOps и Data Management: Организация и автоматизация процесса разметки данных (от сбора до контроля качества краудсорсинга)
• развитие автономных пайплайнов улучшения качества моделей с использованием LLM-as-a-Judge
• Engineering: релиз новых моделей и сервисов в продуктовые среды.

Требования

• Глубокое понимание LLM: опыт работы с большими языковыми моделями, Prompt Engineering, Fine-tuning LLM/VLM
• Опыт в разработке AI-агентов и LLM-приложений (RAG, чат-боты)
• инженерная культура: уверенное владение Python 3, знание ООП, принципов SOLID. Хорошее знание алгоритмов и структур данных.
• LLM Stack: опыт работы с LangChain, LlamaIndex или другими фреймворками для разработки агентов и мультиагентных систем (MAS)
• Vibe Coding: умение автоматизировать собственные рутинные процессы с помощью AI-инструментов
• Mindset: желание постоянно изучать новые SOTA-подходы, модели и технологии.

Будет плюсом

• Активный профиль на GitHub с качественным кодом
• достижения (медали) на Kaggle
• участие в Open-Source проектах, связанных с LLM/NLP.

Условия

• комфортный современный офис - м. Кутузовская
• гибридный формат работы
• ежегодный пересмотр зарплаты, годовой бонус
• 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
• 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
• корпоративная пенсионная программа.

Обязанности:
- Сбор и разметка датасетов
- Обучение моделей компьютерного зрения для детекции нарушений на изображениях: (мусор / загрязнение, повреждения инфраструктуры, несоответствие стандартам)
- Использование OCR-моделей (Tesseract, PaddleOCR) с постобработкой, нормализацией и валидацией данных
- Разработка AI-чатов с использованием RAG (retrieval-augmented generation), проектирование prompt engineering и chain logic
- Анализ геотреков: выявление отклонений, сопоставление фото, координат и времени, детекция аномалий
- Работа с локально развернутыми ML/AI моделями
- Участие в проектировании архитектуры решений и выборе алгоритмов
- Консультация по профильным вопросам

Требования:
- Опыт работы с Python и фреймворками PyTorch / TensorFlow / Keras;
- Практический опыт использования OCR-систем (Tesseract, PaddleOCR, EasyOCR);
- Опыт обработки изображений (OpenCV, PIL, torchvision);
- Знание архитектур сверточных сетей (ResNet, EfficientNet, ConvNeXt, YOLO, DETR и др.);

Наша команда отвечает за качество моделей TTS в SaluteSpeech – той части SberDevices, которая занимается звуком. Наш синтез можно услышать у ассистентов Салют, в колл-центре по номеру 900, в Сболе. Сейчас мы ищем ребят, которые будут работать над базовым качеством, мультимодальным Гигачатом и другими классными проектами.

Как у нас все устроено:

• команда живет в 4 городах, общаемся текстом и по видео, иногда пьем пиво;
• работать можно в удобное время, обязательных созвонов 1-3 в неделю;
• очень много данных и карточек для обучения;
• работа обычно происходит так: формулируем гипотезу, улучшаем модель, обгоняем прод по метрикам, показываем команде runtime, помогаем им затащить в прод;
• чаще всего успешные модели – это улучшенные старые, в итоге развиваем свой звездолет

Вся работа с разметкой для обучения и подсчет метрик уже автоматизированы, очень удобно. Можно прийти на нашу студию, поговорить в микрофон 3 часа и обучить свой синтез.

Первый этап отбора на эту вакансию – общение с AI-рекрутером. После отклика вам на почту и в чат на платформе HeadHunter придет приглашение пройти первичное интервью с ГигаРекрутером в Telegram. Диалог займёт примерно 10 минут. Его задача — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. ГигаРекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным!

• улучшать модели;

• обгонять прод по метрикам;

• помогать внедрять;

• фантазировать, экспериментировать, читать статьи;

• заниматься проектами, например ускорение обучения, voice cloning, low resource, rl;

• рассказывать о решении задач на внутренних семинарах, а также на хабре и в нашем чатике в тг.

• python, алгоритмы, математика;

• знания в DL, особенно про звук;

• опыт обучения моделей для прода;

• кругозор (nlp, лингвистика, русский язык, биология, физика -- что имеет отношение к речи);

• c++;

• публикации.

• задачи, которые еще никто не делал;

• команда отзывчивых профи, которые всегда помогут;

• фидбек и возможность увидеть результаты своей работы в продуктах;

• много корпоративных плюшек: расширенная программа ДМС (возможность подключения родственников), страхование жизни, специальные условия по кредитам/ипотеке, скидки от компаний-партнёров;

• офис на Кутузовском проспекте с парковкой, спортзалом, массажными креслами и возможностью выбора формата работы (офис, гибрид или удалёнка).

Наша команда отвечает за качество ключевых технологий Яндекса: это распознавание и синтез речи, перевод, генерация изображений, большие языковые и мультимодальные модели. Сейчас перед нами стоит сложнейшая задача — сделать так, чтобы нейросеть Алиса стала самой умной и полезной. Для этого мы создаём метрики качества, собираем и проверяем данные, чтобы улучшать модели, и выстраиваем процессы разметки с участием экспертов.

Ждём талантливых аналитиков, готовых вместе с нами искать ответы и развивать технологии для миллионов пользователей в мире, где каждый день появляются всё более умные модели и новые подходы.

Развитие навыков моделей

Вам предстоит развивать самые разные навыки моделей — от агентности и умения писать код до решения и объяснения школьных задач и работы с файлами на сотни страниц.

Оценка качества наших моделей и моделей конкурентов

Вы будете придумывать и внедрять сложные метрики, которые объективно отражают реальный уровень технологий.

Выстраивание процессов сбора данных для fine-tuning и RL

Нужно будет работать с экспертами-разметчиками над созданием сложных сигналов, ускорять разметку с помощью LLM.

Изучение актуальных исследований

Вам предстоит анализировать новые бенчмарки, датасеты, подходы к сбору данных, выделять самое полезное и внедрять в нашу работу.

Больше об аналитике в Яндексе — в канале Yandex for Analytics

* Знакомы с YQL, Python, Nirvana, Toloka
* Знаете статистику
* Самостоятельны, аккуратны

* Работу в сильной команде, с которой можно расти
* Сложные задачи для сервисов с миллионами пользователей
* Возможность влиять на процесс и результат
* Зарплату на уровне рынка и выше
* Премии каждые полгода для всех, кто успешно прошёл ревью
* Гибкий график работы
* Расширенную программу ДМС, оплату 80% стоимости ДМС для супругов и детей

О команде:

Наша команда разрабатывает инструмент для тестирования автономной технологии - симулятор. Нам нужно достичь максимальной реалистичности нашего виртуального мира с точки зрения физики, качества изображения, данных с сенсоров и просто поведения окружающих объектов.

Мы ищем ML/DL инженера в команду симулятора - наша задача построить единый продукт валидации технологии автономного вождения на разных уровнях, в том числе на интеграционном, когда запускаются системы распознавания. Для этого нам необходимо добиться максимальной реалистичности данных с сенсоров - лидаров, камер и радаров.

Чем предстоит заниматься:

• Исследование и разработка методов 3D-реконструкции и нейронного рендеринга на основе Gaussian Splatting / NeRF и смежных подходов;
• Разработка методов novel view synthesis для генерации изображений с виртуальных положений и траекторий камеры;
• Работа с динамическими сценами: движущимися автомобилями, пешеходами и другими объектами;
• Работа с мультимодальными данными автономного автомобиля: камеры, LiDAR, в перспективе radar;
• Разработка и обучение диффузионных моделей img2img и video2video;
• Участие в code review, составлении документации и других активностях отдела и оптимизация inference/training pipeline по скорости, памяти и качеству реконструкции;
• Взаимодействие с другими подразделения для решения поставленных задач (разметка данных, интеграция решений и т.д.).

Что мы ждем от кандидата:

• Уверенное знание PyTorch и опыт самостоятельной разработки и обучения DL-моделей;
• Хорошее понимание современных архитектур компьютерного зрения: CNN, Transformers, diffusion models;
• Понимание основ 3D computer vision: системы координат, camera models, intrinsic/extrinsic calibration, проекции и преобразования;
• Хорошее знание Python и базовое понимание Linux/Git/Docker, понимание методов оценки image/video generation: PSNR, SSIM, LPIPS, FID/FVD и perceptual metrics.

Будет плюсом:

• Опыт работы с 3D Gaussian Splatting, dynamic Gaussian Splatting, NeRF и neural rendering;
• Знание CUDA / C++ и опыт оптимизации GPU workloads;
• Публикации или практический исследовательский опыт в областях 3D-реконструкция, нейронный рендеринг, генеративные модели, автономное вождение.
• Опыт работы с большими моделями (VLM/LLM/диффузионные модели).

• возможность повышения квалификации на проекте одного из лидеров рынка;
• современный технический стек.

• разрабатывать модели спроса и эластичности спроса к изменению параметров продукта и внешних условий;
• разрабатывать и оптимизировать признаки на PySpark и Hive: партиционирование, борьба с перекосом данных и лишними shuffle, контроль потребления ресурсов кластера;
• разрабатывать uplift-модели: мета-лернеры (S/T/X/R-learner), uplift-деревья, преобразование класса; подбирать экономически осмысленный таргет вместо «голой» вероятности отклика;
• работать с causal inference на наблюдательных данных: Double ML, ортогонализация и кросс-фиттинг, DiD, matching и взвешивание, диагностика и коррекция смещения отбора;
• проектировать A/B-тесты: расчёт мощности, стратификация, дизайн с несколькими вариантами воздействия, контроль валидности, разбор аномальных результатов;
• строить кривые спроса и отклика в разрезе поведенческих сегментов, разрабатывать модели сегментации и кластеризации;
• оценивать финансовый эффект моделей и защищать расчёт перед бизнес-заказчиком;
• решать задачи оптимизации финансовых метрик розничного портфеля при ограничении на бюджет или объём;
• принимать участие в код-ревью и методологических разборах.

• опыт работы в роли Data Science от 4-х лет;
• наличие высшего технического или математического образования;
• в финтехе, банках, телекоме или ритейле;
• отличные знания в бустингах (CatBoost, XGBoost, LightGBM), валидации и борьбе с утечками данных;
• уверенный PySpark и SQL (оптимизация запросов, планов, shuffle, skew);
• опыт с экосистемой Hadoop;
• опыт работы с Python (ООП, тесты), Git;
• знания английского для чтения технической документации;
• опыт проверки гипотез на практике, дизайна и оценки результатов A/B-тестов;
• умение переводить сложные ML-результаты в понятные бизнесу решения.

• опыт в Uplift-моделировании и Causal inference (причинно-следственный вывод);
• опыт моделирования спроса, эластичности цен или временных рядов;
• глубокий тюнинг Spark-джобов и знание MLOps (Airflow, MLflow).

• Хорошая зарплата: уровень обсуждается индивидуально, есть доплаты за менторство и профактивности.
• Развитие: долгосрочные проекты от российских заказчиков, возможность менять направления, прозрачная система Performance Review.
• Комфорт и свобода: релокейт между офисами, выбор формата работы (удалённо, офис, гибрид), адаптация для новых сотрудников.
• Обучение: доступ к корпоративному порталу, митапам, конференциям (и как гость, и как спикер).
• Социальный пакет: ДМС со стоматологией, частичная компенсация спорта, бесплатный английский, оплачиваемый отпуск и больничные.
• Корпоративная жизнь: тимбилдинги, детские праздники, внутренние мероприятия.

• Москва (ул. Вильгельма Пика, 11, БЦ «Ботаника», 13 эт., оф. 1310),
• Санкт-Петербург (Владимирский проспект, д. 23, 8 этаж),
• Казань (Н. Ершова, 76/1),
• Нижний Новгород (ул. Новая, 28, коворкинг "VMESTE").

Нейро — это поиск будущего, который объединяет технологии больших генеративных моделей и классического веб-поиска.

Наша команда отвечает за качество ответов в еком-сценариях (всё, что связано с товарами в поисковой выдаче Яндекса). Сценарии выбора и покупки товаров — это важная часть бизнеса Поиска, генерирующая существенную долю выручки. А наши проекты — это R&D на стыке генеративного ИИ и екома.

Мы растим качество моделей на сложных задачах, улучшаем качество извлечения информации, в процессе ставим множество экспериментов — и в результате нашими моделями пользуются миллионы человек. У нас вы будете работать с самыми современными моделями и технологиями Яндекса, создавая новые для российского рынка продукты.

Улучшение качества генеративных моделей

Сейчас модели хорошо решают потоковые задачи, но на узких задачах еком-сценариев качества может не хватать. На таких срезах есть большой простор для улучшений и экспериментов с LLM, извлечением информации, данными и формой ответа. Вы будете участвовать в каждом из этапов алайнмента: SFT (Supervised fine-tuning), Reward model, RLHF (Reinforcement learning from human feedback).

Улучшение извлечения информации

Интернет полон разнообразной информации, и иногда она не совсем качественная, а иногда достоверные источники сложно найти. Кроме того, информация о товарах не ограничивается веб-документами, найденными по поисковому запросу. Вам предстоит совершенствовать извлечение информации для построения ответов, а также экспериментировать с новыми источниками.

Сжатие и удешевление инференса моделей

Нейро пользуется огромное количество людей, поэтому в проде нам нужны более лёгкие модели. Вам предстоит экспериментировать с архитектурами и методами уменьшения моделей, чтобы укладываться в ограничения по лэтенси и скорости генерации ответа.

Внедрение в продукты

Вы будете создавать технологичный, удобный и полезный для пользователя продукт.

Больше об ML в Яндексе — в канале Yandex for ML

* Знаете Python
* Хорошо знаете классические 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 создаём инфраструктуру для обучения и дообучения больших языковых (LLM) и визуально-языковых (VLМ) моделей, которые используются в Алисе, Поиске, Рекламе и других сервисах Яндекса. Современное обучение таких моделей — это сложная система, которая включает десятки тысяч серверов, миллионы вычислительных ядер и многоуровневые соединения между ними. Наша задача — сделать эту систему максимально эффективной, рационально используя вычислительные ресурсы и минимизируя риски сбоев.

Обучение моделей превратилось в задачу управления сложными распределёнными системами. Нужно обеспечивать отказоустойчивость, эффективную доставку данных и минимизировать задержки в коммуникациях. Чем сложнее система, тем больше точек отказа, а чем больше ресурсов нужно на обучение, тем выше накладные расходы на запуск. Наша команда работает на стыке ML-математики и «железной» инфраструктуры: мы должны понимать и особенности аппаратного обеспечения (GPU, сети, шины данных, диски, память), и нюансы самого процесса обучения: составные части, взаимодействие компонентов, узкие места.

Один из популярных подходов к обучению LLM — обучение с подкреплением, Reinforcement Learning, RL. С ростом популярности этого метода появляются всё более сложные подходы, увеличивается потребность в вычислительных ресурсах — и, как следствие, возникает необходимость строить специализированную инфраструктуру.

Оптимизация инфраструктуры RL-обучения

Вам предстоит улучшать ключевые компоненты: оптимизировать доставку и сохранение данных, оптимизировать коммуникации между блоками обучения, повышать эффективность работы внутри блоков.

Развитие инструментов диагностики

Вы будете создавать и совершенствовать инструменты, которые позволят быстро выявлять и устранять инфраструктурные проблемы.

Повышение отказоустойчивости инфраструктуры

Предстоит реализовывать подходы, которые сделают инфраструктуру обучения устойчивой к различным ошибкам и сбоям.

Исследование и внедрение современных решений

Будете изучать новейшие подходы к организации инфраструктуры RL-обучения, оценивать их эффективность и внедрять в реальные проекты.

Больше о бэкенде в Яндексе — в канале Yandex for Backend

* Знаете Python и имеете опыт системного программирования, разработки библиотек или фреймворков
* Хорошо знакомы и работали на практике с фреймворком PyTorch и распределённым обучением через torch.distributed
* Владеете подходами параллелизации: понимаете data parallelism, tensor parallelism, pipeline parallelism, expert parallelism для распределённого инференса или обучения
* Интересуетесь LLM и MLOps: понимаете задачи и вызовы, которые связаны с эксплуатацией больших моделей в продакшне
* Умеете эффективно работать в команде и делиться знаниями

* Участвовали в создании инфраструктуры обучения ML-моделей
* Внедряли и оптимизировали RL-решения
* Работали с библиотеками RL-обучения для LLM: veRL, slime, NeMo-RL, SkyRL и другими, а также с библиотеками инференса: vLLM, SGLang и TRTLLM
* Владеете C++ и имеете опыт низкоуровневого программирования и оптимизации
* Имеете опыт с GPU NVIDIA: понимаете архитектуру GPU, разрабатывали или оптимизировали алгоритмы с использованием CUDA или Triton

Мы — команда синтеза речи в GigaPlatform. Создаём и развиваем технологии синтеза речи. Решаем полный цикл задач синтеза, включающий и собственно синтез, в том числе на LLM, и NLP-задачи, и многое другое.Недавно мы выпустили мощное обновление нашего синтеза, которое на голову выше того, что было раньше, особенно по естественности и "человечности" (https://habr.com/ru/companies/sberbank/articles/966640/). На достигнутом останавливаться не планируем, и уже готовим ещё более качественную модель синтеза.Сейчас мы расширяем команду отдела production-внедрения.

Ищем талантливых DL-инженеров, которые понимают как модели работают на уровне математики и аппаратуры.

• Низкоуровневая оптимизация работы с «железом»

• Поддержка инфраструктуры взаимодействия с LLM

• Вывод новых архитектур в prod.

• Опыт работы в области глубокого обучения, в том числе с LLM

• Глубокое знание CUDA и Python

• Знание и опыт работы с фреймворками TensorRT, vLLM и SGlang

• Приветствуется опыт с C++.

• крупнейшее DS&AI community — более 600 DS-специалистов банка

• дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира

• возможность быть соавтором НИРов и статей для международных конференций

• возможность выбрать удобный формат работы: гибрид или офис

• ежегодный пересмотр зарплаты, 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 выгоднее до 7% для каждого сотрудника

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

• вознаграждение за рекомендацию друзей в команду Сбера.

КИТТ - аккредитованная продуктовая ИТ-компания. Уже более 10 лет мы разрабатываем и внедряем инновационные и надёжные решения в области промышленной автоматизации. Среди наших клиентов - крупные предприятия машиностроительной отрасли, государственные и частные компании.

Профессионалы, которые горят идеей и желанием создавать промышленные интеллектуальные решения - наша главная ценность.

Обязанности:

• Разработка и реализация алгоритмов математической обработки и анализа изображений;
• Выбор архитектуры нейросетевых моделей и их обучение для задач распознавания образов, семантической сегментации, сегментации экземпляров, локализации и классификации объектов;
• Проведение вычислительных экспериментов и оценка качества обучения моделей;
• Оптимизация моделей под аппаратное обеспечение, в том числе устройства граничных вычислений;
• Сопровождение разработки программно-алгоритмического обеспечения на всех этапах жизненного цикла НИР/ОКР;
• Проведение аналитического обзора научных источников, экспертная оценка и воспроизведение технических решений по статья/публикациям.

Требования:

• Знание и глубокое понимание математического аппарата линейной алгебры, дифференциальных исчислений, дискретной математики, теории вероятностей и статистики, цифровой обработки сигналов для прикладных задач обработки изображений;
• Уверенное владение языком программирования Python (предпочтительнее) или С++/MATLAB;
• Опыт работы с основными библиотеками и фреймворками машинного обучения;
• Понимание основ и технологий массивно-параллельного программирования.

Условия:

• Оформление по ТК РФ с первого дня;
• Белая зарплата + премии по результатам работы.

Плюсы работы у нас:

• Работа в аккредитованной ИТ компании.
• Интересные и амбициозные проекты.
• Дружный коллектив, комфортная рабочая атмосфера и полное отсутствие бюрократии.
• Возможность профессионального и карьерного роста.

Привет! Это GigaChat Vision — команда, которая делает полный цикл обучения VLM моделей, включающий в себя стадии pre-training, SFT и DPO/RL. Мы ищем сильных инженеров и исследователей, которые будут двигать вперед качество мультимодального GigaChat.

Первый этап отбора на эту вакансию – общение с AI-рекрутером. После отклика вам на почту и в чат на платформе HeadHunter придет приглашение пройти первичное интервью с ГигаРекрутером в Telegram. Диалог займёт примерно 10 минут. Его задача — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. ГигаРекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным!

• Самостоятельная работа в рамках заданного направления развития качества VLM: от планирования, до выкатки в прод;

• Планирование и работа над исследовательскими задачами по архитектуре модели, стратегии и данным обучения;

• Формирование гипотез по улучшению качества модели, самостоятельное планирование экспериментов по их подтверждению и постановка multi-node обучений на большом количестве GPU (тысячи A100/H100);

• Решение сложных инженерных задач, развитие и оптимизация кодовой базы обучения и эвала VLM, написание чистого кода и проведение code review;

• Анализ точек роста и определение способов их закрытия.

• Сильный технический бэкграунд в modern ML: понимание того, как данные, архитектура и стратегии обучения влияют на итоговое качество модели;

• Опыт полного цикла обучения VLM или LLM;

• Глубокие знания или опыт работы в области computer vision;

• Понимание принципов работы распределенного обучения (FSDP) или опыт обучения моделей на больших GPU кластерах;

• Наличие навыков технического лидерства: проведение code-review, помощь и менторинг младших сотрудников;

• Умение работать, принимать решения и выстраивать процессы в условиях неопределенности;

• Умение и желание взаимодействовать с коллегами, вносить собственные идеи и предлагать пути достижения общих целей.

Будет плюсом:

• Опыт полного цикла обучения VLM;
• Наличие публикаций в области NLP или CV;
• Опыт решения задач по оптимизации обучения;
• Опыт участия в соревнованиях по машинному обучению или программированию.

В этой роли вы будете работать над задачами на стыке машинного обучения, обработки сигналов и production engineering: от детекции шума, шепота и голосовой активности до диаризации, споттинга, биометрии, EOU и routing-логики. Это возможность не просто решать сложные прикладные ML-задачи, а строить и улучшать реальные системы, которые работают в проде, выдерживают требования по latency и качеству и становятся важной частью пользовательского опыта.

Первый этап отбора на эту вакансию – общение с AI-рекрутером. После отклика вам на почту и в чат на платформе HeadHunter придет приглашение пройти первичное интервью с ГигаРекрутером в Telegram. Диалог займёт примерно 10 минут. Его задача — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. ГигаРекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным!

• Разрабатывать, обучать и улучшать ML-модели для аудио- и speech-задач

• Работать с полным циклом разработки моделей: от постановки задачи, анализа данных и построения пайплайнов до внедрения, мониторинга и итеративного улучшения в production

• Проектировать решения для real-time и streaming-сценариев с жёсткими требованиями к latency, стабильности и качеству

• Исследовать и внедрять современные подходы в audio ML и speech ML, выбирая между классическими методами, deep learning и hybrid-подходами в зависимости от задачи и продуктового эффекта

• Строить и улучшать системы оценки качества: offline-метрики, тестовые наборы, error analysis, A/B-подходы и другие способы объективно измерять качество моделей

• Работать с данными: формировать обучающие выборки, улучшать разметку, искать источники деградации качества, повышать устойчивость моделей к шуму, акцентам, каналам связи и другим вариациям реального мира

• Оптимизировать модели и inference-пайплайны для эффективной работы в production-среде

• Плотно взаимодействовать с инженерами, исследователями, продуктом и смежными командами, чтобы быстро доводить сильные ML-идеи до рабочего решения

• Вносить вклад в техническое направление команды, предлагать новые подходы, поднимать планку качества и помогать принимать архитектурные решения.

• Высшее образование в области математики, computer science, физики, статистики, data science

• Уверенный senior-уровень в machine learning и практический опыт построения и внедрения ML/DL-моделей в production

• Сильная экспертиза в одном или нескольких направлениях, связанных с audio, speech или signal processing

• Отличное знание Python и уверенная работа с основным ML-стеком: PyTorch, NumPy, Pandas, Scikit-learn, а также инструментами для обучения, экспериментов и production deployment

• Опыт работы с метриками качества

• Сильные коммуникационные навыки и способность ясно объяснять сложные технические вещи как инженерам, так и нетехническим стейкхолдерам

• Проактивность и желание двигать вперёд не только свою задачу, но и весь ML-контур команды.

• Крупнейшее DS&AI community — более 600 DS-специалистов банка

• Дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира

• Возможность быть соавтором НИРов и статей для международных конференций

• Возможность выбрать удобный формат работы: гибрид или офис

• Ежегодный пересмотр зарплаты, 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 выгоднее до 7% для каждого сотрудника

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

• Вознаграждение за рекомендацию друзей в команду Сбера.

На проект 2-3 месяца требуется ML Engineer (Senior)

Обязанности:

- Проектирование и разработка production-ready ML, LLM, NLP и Computer Vision решений для автоматизации бизнес-процессов.

- Разработка моделей и пайплайнов для анализа документов и изображений, включая распознавание, классификацию и извлечение структурированных данных.

- Создание RAG-систем, AI-агентов и решений на базе локальных и облачных LLM.

- Разработка, обучение и оптимизация ML-моделей под задачи проекта, включая выбор архитектуры, функций потерь и стратегии валидации.

- Определение метрик качества, проведение экспериментов, валидации и анализа ошибок моделей.

- Оптимизация качества, скорости инференса, стоимости и потребления вычислительных ресурсов.

- Подготовка моделей к промышленной эксплуатации, мониторинг качества и организация переобучения.

Требования:

- От 3 лет коммерческого опыта в Machine Learning.

- Опыт создания и внедрения production ML, LLM, NLP или Computer Vision систем.

- Уверенное владение Python и опыт работы с PyTorch, Scikit-learn, CatBoost, LightGBM или XGBoost.

- Понимание метрик качества, методов валидации, анализа ошибок и оценки стабильности моделей.

- Опыт разработки LLM-приложений, RAG-систем и AI-агентов с использованием LangChain, LangGraph или аналогичных инструментов.

- Опыт проектирования retrieval-пайплайнов для RAG-систем и работы с векторными базами данных.

- Опыт решения задач OCR, анализа документов, изображений или разработки мультимодальных систем.

- Опыт оптимизации и сопровождения моделей в production.

Желательно:

- Знакомство с agentic tooling: Claude Code, Cursor или аналогичными инструментами.

- Понимание методов оптимизации локального инференса: квантизации, батчинга и управления вычислительными ресурсами.

- Опыт разработки решений для генерации текстового или мультимодального контента.

- Опыт развертывания и оптимизации локальных LLM с использованием vLLM или аналогичных решений.