Вакансии ML-разработчика и Data Scientist
Анализ данных, обучение и оценка моделей машинного обучения. Разработка приложений поверх готовых AI-моделей и эксплуатация ML представлены отдельно. Обновляется каждый час. Найдено: 160 вакансий за последнюю неделю.
- Вакансий за неделю:
- 160
- Медиана:
- 400 000 ₽
- Вилка:
- 267 600 ₽ — 550 000 ₽
Зарплаты — по 172 вакансиям с указанной вилкой за 30 дней
Поиск вакансий
HireSeeker — агрегатор вакансий. Собираем вакансии со всех основных площадок и показываем по вашей специальности. Подпишитесь на ежедневную подборку только релевантных.
📑 Вакансия Senior Applied ML Engineer
Удалённо · Полная занятость
💎 Компания-разработчик софта •••••••• с 1993 года, работающая с заказчиками в фармацевтике, здравоохранении, медиа и безопасности, ищет Senior Applied ML Engineer. Уже 5 лет компания развивает цифровые продукты для одной из ведущих российских авиакомпаний. Задачи на проекте динамического ценообразования дополнительных услуг авиакомпании (багаж, выбор мест, питание и другие сопутствующие услуги): разработка и развитие ML-моделей для прогнозирования вероятности покупки при разных ценах, оптимизация ценовых решений, построение нейросетевых моделей; проектирование контролируемого исследования в допустимом диапазоне цен — правила рандомизации, вероятности назначения ценовых вариантов, ограничения безопасности; дизайн A/B-тестов для сравнения новой политики ценообразования с текущей, определение primary- и guardrail-метрик, критериев остановки и условий rollout; полный жизненный цикл ML — обучение, валидация, инференс, периодическое переобучение, версионирование моделей, цикл обратной связи между предсказаниями и фактическими результатами; реализация сквозного ML-прототипа с минимальными HTTP API, хранением данных и имитацией внешней системы бронирования; корректное логирование назначенных цен, экспериментальных вариантов, фактов покупки и бизнес-метрик. Условия: удалённая работа, корпоративный ноутбук, официальное оформление по ТК РФ с белой зарплатой, ДМС и 100% оплата больничных, возможности профессионального роста.
🧩 Требования: уверенное владение Python, NumPy, pandas, scikit-learn, PyTorch или TensorFlow, а также C# для интеграции с бэкендом; опыт разработки, обучения и применения ML-моделей, включая нейронные сети, feature engineering и работу с табличными данными; понимание математических основ ML, теории вероятностей, статистики, методов оптимизации и принципов A/B-тестирования; способность проектировать controlled exploration — правила рандомизации, primary- и guardrail-метрики для ценовых экспериментов; опыт организации полного ML-цикла (обучение, валидация, инференс, переобучение, версионирование, обратная связь); уверенные SQL, PostgreSQL, Git, Docker и навыки разработки Python-приложений с автотестами. Плюсом будет опыт в динамическом ценообразовании и revenue optimization (прогнозирование спроса, ценовая эластичность, готовность платить), знакомство с методами causal inference и sequential decision making (contextual bandits, off-policy evaluation, IPW, doubly robust estimation), MLOps-инструментами (MLflow, оркестрация, мониторинг), опытом эксплуатации ML-сервисов и работы в авиации, e-commerce или revenue management.
🌐 ••••••••
🔮 •••••••• — бесплатно постим IT-вакансии
Центр практического ИИ — подразделение Сбера, которое занимается созданием AI-решений и агентных систем, а также их внедрением в бизнес-процессы банка. Сейчас мы ищем в команду DS-стажера на проекты по внедрению AI-агентов в hr-процессы Сбера (подбор, оценка и развитие компетенций сотрудников).
• Участвовать в E2E процессе разработки и внедрения AI-агентов в процессы банка: прототипирование, промпт-инжиниринг, оценка качества и итеративное улучшение агента
• Взаимодействовать с бизнес-заказчиком для определения требований к решению и с AI-инженерами в части вывода решения в пром
• Обучение в российском ВУЗе на 3-6 курсе бакалавриата и специалитета или 1-2 курсе магистратуры (очная форма)
• Знания в NLP (статистические методы, нейронные сети, трансформеры) и в классическом ML
• Понимание архитектуры LLM и принципов prompt engineering
• Практический опыт создания AI-агентов, знакомы с агентными фреймворками и архитектурами
• Уверенное знание языка Python
Будет плюсом:
• Опыт разработки RAG-систем, работа с векторными хранилищами
• Оплачиваемая стажировка
• Длительность стажировки: 3 месяца
• Формат работы - гибрид, занятость 40 часов в неделю
• Комфортный современный офис в г. Москва рядом с метро Кутузовская
• Корпоративный спортзал и зоны отдыха
• Более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• Бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
• Вознаграждение за рекомендацию друзей в команду Сбера
Мы строим Harness-платформу Сбера — слой между моделью и продуктом: агентный рантайм, инструменты, память, контекст, адаптация и оценка качества. На этой платформе продуктовые команды Сбера запускают свои AI-сценарии. Им не нужно писать всё с нуля: решение собирается из готовых проверенных блоков.
Ищем человека, который возьмёт на себя три ключевые части Harness:
- Качество ИИ-помощника. Как понять, что помощник хорошо работает в реальных бизнес-сценариях, и как улучшать это от релиза к релизу.
- Память. Как помощник запоминает пользователя, компанию и контекст задач (Mining) и правильно этим пользуется (Memory Usage).
- LoRA-адаптеры как платформенный сервис. Как продуктовая команда за недели, а не за месяцы, получает модель, адаптированную под свой домен, с гарантиями качества.
Про роль: направление только формируется, поэтому первые решения вы будете проектировать и делать сами: писать код, собирать eval-пайплайны, запускать обучение адаптеров, разбирать трейсы. По мере роста направления вам предстоит расширять команду. Ищем человека, которому одинаково комфортно собрать датасет из логов и провести встречу с руководителем продукта.
Обязанности
- Спроектировать и запустить систему оценки качества ИИ-помощника: eval-наборы по бизнес-сценариям, LLM-as-a-judge, human eval, регрессионные гейты на релиз.
- Самостоятельно собрать первые рабочие версии пайплайнов из готовых компонентов платформы: обучение и оценку LoRA-адаптеров, версионирование, деплой, мультиадаптерный инференс.
- Разработать архитектуру памяти: долгосрочную и сессионную память, персонализацию, память организации. Отвечать за качество извлечения и применения знаний, а также за приватность и разграничение доступа.
- Сделать качество агентных сценариев измеримым: работу с инструментами и корпоративными системами, многошаговые задачи, сценарии с длинным контекстом.
- Лично провести первые продуктовые команды через платформу и на их кейсах понять, что действительно нужно стандартизировать.
- Собрать и вырастить команду направления
- Превратить созданное в self-service: инструменты, стандарты и документацию, с которыми продуктовые команды справляются сами.
- Связать технические метрики с продуктовыми и бизнес-результатами и защищать их на уровне руководства.
- Формировать культуру, в которой о качестве судят по данным, а не по ощущениям.
Требования
- Сильный инженерный бэкграунд в ML/LLM и готовность работать руками: Python, PyTorch, экосистема LoRA/PEFT, инференс-фреймворки (vLLM и аналоги).
- Глубокое понимание современного AI-стека: post-training (SFT, DPO, RL), LoRA/PEFT, RAG, агентные архитектуры, оценка LLM.
- Опыт доведения ML/LLM-решений до продакшена, а не только исследований.
- Опыт технического лидерства: вы задавали архитектуру и направление для других инженеров. Опыт руководства командой — большое преимущество.
- Готовность в перспективе расти в управлении: нанимать, развивать людей, договариваться с заказчиками и руководством.
- Умение работать с внутренними заказчиками, переводить размытый запрос «чтобы помощник отвечал лучше» в измеримые критерии.
- Опыт построения eval-систем для LLM-продуктов или агентов.
- Опыт с системами памяти для LLM: retrieval, графы знаний, суммаризация и сжатие контекста, персонализация.
- Опыт с multi-LoRA serving и дообучением моделей под домены в продакшене.
- Опыт создания платформенных продуктов для других команд.
- Понимание корпоративной специфики: безопасность, доступ к данным, регуляторные требования.
- Опыт запуска направления с нуля.
- Активное личное использование агентных продуктов (Claude Code, Cursor, Codex, ассистентов с памятью) и понимание, за счёт чего они хорошо работают.
Условия
- 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
- бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
- вознаграждение за рекомендацию друзей в команду Сбера.
Мы - команда инференса GigaChat. Всё, что модель отвечает пользователю, проходит через наш движок - и наша работа в том, чтобы это происходило быстро, дёшево и не падало никогда.У нас нет опции «подождём, пока это появится в vLLM». GigaChat - это свои архитектуры и свои мультимодальные модели, и когда исследователи приносят новую архитектуру, именно мы делаем так, чтобы она летала на проде: пишем ядра, придумываем, как разложить её по GPU, выжимаем токены в секунду там, где, казалось бы, выжимать уже нечего.Это работа, где результат меряется в миллисекундах и мегаваттах: каждый процент ускорения - это тысячи GPU-часов и реальные деньги. И где между «прочитал свежую статью» и «это крутится на проде под нагрузкой» проходят недели, а не годы.
Обязанности
Чем предстоит заниматься:
- Заставлять новые архитектуры GigaChat (включая мультимодальные) работать на проде быстро
- Ускорять всё, что можно ускорить: кастомные CUDA-ядра, квантизация, speculative decoding, оптимизации KV-cache, continuous batching — и то, чему ещё нет устоявшегося названия
- Придумывать, как разложить большую модель по GPU и по кластеру так, чтобы ни один FLOPS не простаивал: тензорный/пайплайн-параллелизм, disaggregated prefill/decode, шедулинг запросов
- Профилировать честно и глубоко: находить, куда на самом деле уходят миллисекунды — в ядре, в раскладке памяти, в сети или в планировщике — и убирать это
- Держать прод: движок, через который проходят все запросы к GigaChat, должен успешно переживать абсолютно всё
- Читать свежие статьи и код лучших движков (vLLM, SGLang, TensorRT-LLM) не как пользователь, а как конкурент: понимать, что у них хорошо, и делать у себя лучше — с поправкой на наши архитектуры
Требования
- опыт работы в области глубокого обучения, в том числе с LLM
- глубокое знание CUDA и Python
- опыт использования GigaChat, Kandinsky и аналогов в продуктах
- навыки создания и использования AI-агентов.
Условия
- 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.
Отделу исследований AI VK скоро исполнится год. Сейчас нас семь человек, уже 13 принятых статей: четыре на WWW, SIGIR, CIKM и ICDM, восемь на воркшопах и одна в IEEE Access. Вот примеры наших творений:
- Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction. Предсказываем продолжительность просмотра видео, при этом моделируем всё распределение времени просмотра. На картинке — постер этой работы
- Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling. Рекомендуем друзей на социальном графе из 194 млн пользователей и 28 млрд связей. Эффективно обучаем и применяем графовые нейросети на таком масштабе
- VK-LSVD: A Large-Scale Industrial Dataset for Short-Video Recommendation. Открыли данные промышленного масштаба: более 40 млрд взаимодействий, 10 млн пользователей и почти 20 млн коротких видео
- PIEFS: Physics-Informed Eigenfunctions Features with Learnable Scaling. Учимся подстраивать геометрию данных под задачу — соединяем спектральные методы с нейросетями
- Planning over Matrix-Factorization MDPs for Candidate Generation. Добавляем матричному разложению умение планировать. При подборе кандидатов моделируем, как выбор очередного объекта меняет представление о пользователе и следующие рекомендации
- На подходе — работы по агентному моделированию, рекомендациям наборов и оптимизации
Задачи
- Ведение научных исследований (от генерации идей до реализации экспериментов)
- Написание статей (в том числе по результатам деятельности смежных команд) — это основной KPI
- Выступление на научных конференциях
- Участие в научном пиаре (написание текстов в корпоративные блоги, выверка текста, предложения для публикации, выступления на VK-мероприятиях), участие в образовательных проектах (например, VK-образования)
- Auto Research (основной проект команды — идеи, реализация, эксплуатация)
Требования
- Опыт исследовательской деятельности
- Статьи в ведущих журналах (Q1), принятые на конференции (A/A*)
- Глубокие знания современного машинного и глубокого обучения
- Идеи для исследований, знания последних научных результатов
- Практические знания реализации DL-моделей и написания библиотек
Будет плюсом
Опыт в рекомендательных системах или анализе поведения клиентов или моделировании социальных сетей.ID 3942 — Senior Data Science
🌍 Локация: РФ
💼 Удаленно
🕔 Занятость: фулл тайм
🏢 Проект: Промышленность
💡 Требования:
• Коммерческий опыт в Data Science от 5 лет, из них от 2–3 лет в задачах Document AI / IDP
• Опыт ведения задач от постановки до промышленной эксплуатации (end-to-end)
• Опыт самостоятельного принятия архитектурных решений
• OCR: Tesseract, PaddleOCR, EasyOCR, ABBYY FineReader / Vantage или аналоги
• Layout analysis и извлечение структуры: LayoutLM / LayoutLMv3, Donut, DocTR или аналоги
• Классификация документов, извлечение сущностей (NER), извлечение ключевых полей и табличных данных
• Предобработка изображений (OpenCV, deskew, denoise, бинаризация)
• Работа с низким качеством сканов, рукописными пометками, печатями и подписями
• Опыт оценки качества: precision/recall/F1 по полям, accuracy на уровне документа, confidence scoring
• Уверенная работа с XML (XSD, XPath, XSLT, lxml), включая форматы электронных документов (УПД, форматы ФНС, EDI)
• Работа с табличными данными: pandas, SQL, parsing и нормализация
• Построение пайплайнов очистки, валидации и сопоставления данных (matching, дедупликация, сверка с справочниками)
• Python (продвинутый уровень): ООП, тестирование (pytest), типизация, профилирование
• ML-стек: scikit-learn, PyTorch или TensorFlow, Hugging Face Transformers
• SQL (PostgreSQL, MSSQL, Oracle или HANA)
• Git, CI/CD, Docker, написание документации
• Опыт построения REST/SOAP API (FastAPI, Flask) и работы с очередями сообщений (RabbitMQ, Kafka или аналоги)
• Практический опыт интеграции с RPA-платформами (UiPath, Blue Prism, Automation Anywhere, Primo RPA или аналоги): передача данных боту, обработка исключений, возврат результатов
• Понимание процесса загрузки данных в SAP (ERP, S/4HANA): BAPI, IDoc, OData, RFC, либо через RPA-сценарии
• Понимание первичной бухгалтерской документации и бизнес-процессов: Purchase-to-Pay, учет счетов, НДС, трёхстороннее сопоставление (счёт – заказ – приёмка)
• Умение работать с бухгалтерами и бизнес-аналитиками, переводить бизнес-правила в алгоритмы
➕Будет плюсом:
• Опыт работы с SAP (модули FI/CO, MM, SD) на уровне пользователя или аналитика
• Опыт с LLM / VLM для извлечения данных (GPT, Claude, Qwen-VL, локальные модели) и построения гибридных решений с rule-based подходом
• MLOps: MLflow, DVC, Airflow, мониторинг дрейфа данных и качества распознавания
• Опыт дообучения моделей на небольших размеченных выборках (active learning, weak supervision)
• Опыт с инструментами разметки (Label Studio, CVAT)
• Знание требований по информационной безопасности и защите персональных и коммерческих данных
• Опыт работы с облачными платформами или on-premise GPU-инфраструктурой
• Опыт наставничества и code review
📋Задачи:
• Проектирование архитектуры решения по распознаванию и валидации документов
• Разработка и обучение моделей классификации, извлечения полей и таблиц
• Разработка правил и алгоритмов валидации извлечённых данных (контрольные суммы, ИНН/КПП, суммы, НДС, сверка со справочниками SAP)
• Парсинг и нормализация XML и табличных данных
• Интеграция решения с RPA-роботами и SAP, проектирование обработки ошибок и исключений
• Мониторинг качества работы моделей в промышленной эксплуатации, анализ ошибок, доразметка и дообучение
• Определение метрик эффективности (доля STP — straight-through processing, точность, время обработки)
• Взаимодействие с командами RPA, SAP, бухгалтерией и ИБ
• Подготовка технической документации
📨 Отклик — через форму: •••••••• или напрямую рекрутеру: ••••••••
❗️Откликайтесь только при релевантном опыте.
❗️При первичном отклике:
ID вакансии / ФИО / локация / возраст / занятость (работаете/нет) / формат работы (удаленка, гибрид, офис) / стек / опыт / резюме / сверка с требованиями
❗️Повторный отклик: ID вакансии + сверка.
#Data #Scientist #Удаленно #вакансия
Ищем Middle+/Senior Data Scientist. Полный цикл разработки ML/DL/NLP/LLM-based моделей и AI-агентов для привлечения, удержания клиентов, наращивания транзакционного оборота, управления удовлетворенностью и оптимизации процессов.
Обязанности:
- Реализация полного цикла разработки моделей и ML-решений: от постановки задачи до передачи на внедрение и мониторинг
- Генерация ML-решений для задач бизнеса, формирование БТ моделей и ТЗ для смежных команд
- Выполнение проектных задач в установленные сроки
- Подготовка отчетов, ТЗ для MLOps и DE, поиск данных
- Стек: Big Data (Hadoop, AirFlow, Spark, Kafka), Python,LLM
- ML-опыт работы в банковском/финансовом/телеком/ритейл секторе от 5 лет
- Уверенное владение Python, PySpark и глубокое знание алгоритмов ML/DL
- Способность поддерживать full-stack разработку: от сбора требований до реализации, документации и мониторинга
- Развитые soft-skills и опыт написания ТЗ, БТ, проектной документации
- Высшее техническое / финансово-математическое / экономическое образование
- Удаленный формат работы
- Оформление в штат Selecty
- Конкурентный оклад + ДМС со стоматологией
Мы создаём светомузыкальные шоу фонтанов и развиваем собственное программное обеспечение для подготовки световых видео эффектов и работы с оборудованием управления светом по протоколу DMX512.
Ищем специалиста, который разработает ИИ-систему для анализа музыки и генерации световой динамики на основе примеров работы художника по свету.
Сейчас художник прослушивает музыкальную дорожку расставляет на ней акценты, создаёт световые (видео) эффекты и собирает световую музыкальную композицию.
Мы хотим автоматизировать значительную часть этого процесса, сохранив художественную выразительность и возможность ручной доработки.
Система должна обучаться на постановочных решениях человека: какие события в музыке он выделяет, как распределяет акценты между объектами сцены, выбирает эффекты и выстраивает развитие музыкальной и световой композиции.
Вам предстоит работать над двумя направлениями.
1. Интеллектуальная разметка музыкальной дорожки.
Разработать систему, которая находит значимые музыкальные события и предлагает маркеры для световой постановки: удары, ритмические акценты, переходы, паузы, начала частей и кульминации. Научить ИИ учитывать выбор и предпочтения художника на основе авторской разметки.
2. Генерация световых последовательностей по видеопрограмме и текстовому заданию.
Разработать модель или комбинацию моделей, создающую световую динамику для выбранного музыкального фрагмента с учётом промпта, конфигурации сцены и примеров готовых шоу.
Особенность задачи — работа со смысловой структурой сцены. Ячейки матрицы соответствуют реальным приборам и группам объектов: центральной композиции, фоновым струям, боковым элементам и другим зонам. Они различаются по назначению, геометрии, визуальной яркости и важности. Генерация должна учитывать эти различия и поддерживать художественную иерархию.
В рамках работы вам предстоит:
- Изучить текущий процесс создания шоу и предложить архитектуру ИИ решения.
- Провести аудит доступных примеров и определить требования к обучающему датасету.
- Организовать подготовку и синхронизацию музыки, маркеров, световых последовательностей и описаний сцены.
- Сравнить готовые модели, дообучение и разработку собственных компонентов; обосновать выбранный подход экспериментами.
- Создать прототип анализа музыки и генерации световых последовательностей.
- Обеспечить редактируемый результат: маркеры, группы, эффекты, параметры, временные кривые и переходы.
- Разработать интерфейс взаимодействия модели с нашим ПО через API или другой согласованный механизм.
- Организовать оценку качества совместно с художником по свету.
- Обеспечить воспроизводимость обучения, сохранение моделей и документирование решения.
Мы ожидаем:
- Практический опыт обучения или дообучения ML-моделей на собственных данных.
- Уверенное владение Python и PyTorch либо сопоставимым ML-стеком.
- Опыт работы с аудиоданными и временными последовательностями.
- Понимание методов условной генерации и объединения разных типов данных: видео, аудио, текста и структурированного описания объектов.
- Опыт подготовки датасетов, постановки экспериментов и проверки качества на данных, не участвовавших в обучении.
- Умение доводить исследовательский прототип до компонента, пригодного для интеграции в продукт.
- Способность обсуждать художественные критерии с постановщиком и переводить их в требования к данным и алгоритмам.
- Примеры выполненных проектов с объяснением вашей роли и полученных результатов.
Преимуществом будут:
- Опыт в Music Information Retrieval: анализ ритма, атак звука, музыкальной структуры и инструментальных партий.
- Проекты в области генерации анимации, движения, визуальных эффектов или сценического света.
- Знакомство с обучением на демонстрациях и предпочтениях пользователей.
- Опыт разработки инструментов для творческих специалистов.
Предметную область фонтанных шоу можно освоить в процессе работы. Основной приоритет — сильные компетенции в прикладном машинном обучении и подтверждённый опыт решения нестандартных задач.
Первый этап проекта — аудит данных и рабочий прототип на ограниченном наборе музыкальных примеров и одной описанной конфигурации сцены.
Результат этого этапа должен показать, насколько система точно предлагает значимые акценты, соблюдает роли групп и сокращает объём ручной работы при приемлемом художественном качестве. По итогам определим требования к дальнейшим данным и план развития.
В отклике просим кратко описать релевантные проекты, вашу роль в них, опыт работы с аудио и генеративными моделями. Приложите ссылки на портфолио, демонстрации, публикации или репозитории, если они доступны.
Условия:
- Официальное трудоустройство, стабильная "белая" зарплата.
- Уровень заработной платы обсуждается по результатам собеседования.
- График 5/2 (выходные - суббота, воскресенье).
- Работа в офисе компании, далее имеется возможность работать в гибридном формате.
- Участие в уникальных проектах федерального уровня.
- Профессиональное развитие и обучение за счёт компании.
- Дружная команда экспертов, поддержка наставников.
О компании Группа компаний «Боронд» — лидер в проектировании, строительстве и реконструкции фонтанов в России. Более 35 лет мы создаём уникальные объекты, отмеченные престижными наградами и признанием профессионального сообщества. Присоединяйся к нам и стань частью команды, которая формирует будущее инженерии!
#jobs #вакансия #гибрид #офис #remote #ML #Ташкент
Должность:ML Engineer (FinTech)
Тип занятости: full_time
Уровень: middle+
Страна: Ташкент
Локация: office\hybrid\remote
Компания: ••••••••
Зарплата: от 3 000 USD до 3 500 USD
ML Engineer (FinTech) Middle+ / Strong Middle
Ищем опытного ML Engineer уровня Middle+ / Strong Middle для развитияML-решений в финтех-продуктах.
Основное направление работы разработка и внедрение моделей классического машинного обучения на табличных данных, в первую очередь для задач кредитного скоринга.
Среди продуктов - BNPL (Buy Now, Pay Later), Marketplace и другие цифровые финансовые сервисы.
Чем предстоит заниматься:
-Разрабатывать, обучать и оптимизировать модели классического Machine Learning на табличных данных.
-Разрабатывать и совершенствовать модели кредитного скоринга для финансовых продуктов.
-Самостоятельно вести полный цикл разработки ML-моделей: от исследования и подготовки данных до внедрения в production.
-Проводить исследовательский анализ данных (EDA), Feature Engineering и отбор признаков.
-Подбирать алгоритмы и метрики, оценивать качество моделей, проводить эксперименты и улучшать их результаты.
-Интегрировать ML-модели в онлайн-сервисы через API.
-Участвовать в выводе моделей в production, мониторинге и поддержке их работы.
-Подключаться к задачам рекомендательных систем и других ML-направлений.
-Взаимодействовать с командой и помогать развиваться менее опытным ML-специалистам.
Мы ожидаем:
-Имеете от 2+ лет релевантного коммерческого опыта в Data Science / Machine Learning.
-Имеете практический опыт разработки и внедрения моделей кредитного скоринга.
-Уверенно владеете алгоритмами классического машинного обучения и работой с табличными данными.
-Хорошо владеете Python и SQL.
-Имеете опыт полного цикла разработки ML-моделей от подготовки данных до production.
-Имеете обязательный практический опыт интеграции ML-моделей в онлайн-сервисы через API.
-Понимаете принципы оценки качества моделей, выбора метрик и проведения экспериментов.
-Способны самостоятельно брать ответственность за технические задачи и доводить их до результата.
Важно:
-Опыт разработки антифрод-моделей.
-Опыт работы с ML-инфраструктурой и инструментами автоматизации ML-процессов (MLOps).
-Знание Kubernetes, Airflow, ClickHouse, Grafana, Sentry или OpenSearch.
-Опыт работы с финансовыми продуктами: BNPL, Lending, Credit Risk, Digital Banking.
-Опыт менторства и помощи в развитии Junior ML Engineers.
-Хороший разговорный русский язык.
Что мы предлагаем:
-Работу над реальными ML-задачами в международном финтех-продукте.
-Возможность влиять на развитие ML-решений и техническую архитектуру.
-Сложные технические задачи и профессиональную команду.
-Возможности для обучения и профессионального роста.
-Компенсацию профильного обучения и участие в профессиональных мероприятиях.
-Уроки английского языка с носителем.
-ДМС после испытательного срока.
-Гибкий формат сотрудничества: офис Ташкент, гибрид или удалённая работа (по согласованию).
-График 5/2, с 9:00 до 18:00.
📩 Для связи: ••••••••
Наша команда занимается разработкой AI-агентов для работы с Вкладами физических лиц. Мы создаём интеллектуальные решения, которые помогают анализировать поведение клиентов, прогнозировать их потребности и формировать персонализированные рекомендации.
Ищем специалиста с сильной экспертизой в классическом Machine Learning, Deep Learning и математических основах машинного обучения, который сможет самостоятельно разрабатывать и внедрять ML-модели для решения реальных бизнес-задач.
Для нас важно, чтобы кандидат не просто умел использовать готовые библиотеки, а понимал математические принципы и ограничения алгоритмов, мог обоснованно выбирать подходящие модели, анализировать результаты и находить способы повышения их качества.
-
разрабатывать, обучать и оптимизировать ML-модели для анализа и прогнозирования поведения физических лиц
-
оздавать модели прогнозирования оттока клиентов, выявлять факторы, влияющие на клиентское поведение и принятие финансовых решений
-
разрабатывать рекомендательные системы для формирования персонализированных предложений и определения наиболее релевантных действий для удержания и развития клиентской базы
-
работать с большими массивами банковских данных: десятками миллионов записей, большим количеством признаков и сложными взаимосвязями между ними
-
выполнять полный цикл разработки ML-решений: сбор и подготовку данных, Feature Engineering, выбор алгоритмов, обучение, тестирование, оценку качества и оптимизацию моделей
-
участвовать в интеграции ML-моделей с AI-агентами и другими компонентами интеллектуальных банковских систем.
-
коммерческий опыт разработки на Python от 3 лет
-
коммерческий опыт в Data Science / Machine Learning от 3 лет
-
самостоятельное ведение ML-решения полного цикла: подготовка данных, feature engineering, обучение, валидация, оценка качества, внедрение
-
опыт запуска ML-задач с нуля: декомпозиция бизнес-потребности, выбор подхода и метрик, защита решения перед бизнесом и смежными командами
-
опыт кросс-функционального взаимодействия: бизнес, агентская команда, продукт.
-
работа в удобном и современном офисе недалеко от станции метро Кутузовская
-
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
-
гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
-
подписка Прайм с возможностью совместного использования на трех близких
-
вознаграждение за рекомендацию друзей в команду Сбера.
Требования:
• Подтвержденный опыт от 1.5 года в области Machine learning, Data science;
• Глубокие знания в различных областях ИИ: Computer vision, NLP, data mining;
• Опыт разработки Data Science architectures;
• Хорошие навыки программирования на таких языках, как Python/R;
• Опыт работы с фреймворками машинного обучения (TensorFlow, PyTorch) и инструментами ИИ/машинного обучения (pandas, NumPy, scikit-learn, scipy, statsmodels, matplotlib и др.);
• Отличные коммуникативные навыки с возможностью объяснять сложные концепции различным аудиториям;
• Уровень английского языка B1+.
Будет плюсом:
• Экспертиза в Linux, Docker;
• Работа в аутсорс компаниях и прохождение стажировки;
• Опыт работы с облачными сервисами и пайплайнами развертывания машинного обучения.
Условия работы:
• Удаленная работа
• Обмен опытом и поддержка от опытных разработчиков
• Защищённая от инфляции заработная плата
Kaspi.kz – это место, где необыкновенные люди собираются вместе, чтобы проявить свои лучшие качества, как в работе, так и в жизни, потому что Kaspi – это не просто финансовое учреждение, а большая семья, которая объединила под своим крылом более 10 тысяч человек по всему Казахстану. Мы всегда ценим людей, которые стремятся к знаниям и великим победам, именно поэтому работа у нас – это шанс реализовать свой потенциал.
Работа полностью из офиса в городе Алматы, удалённого и гибридного формата нет.
Вам предстоит:
- подготовка данных;
- обучение и тестирование моделей;
- запуск моделей в production;
- разработка ML-сервисов и интеграций;
- анализ качества и улучшение моделей;
- настройка мониторинга;
- проведение A/B-тестов.
Мы ожидаем от вас:
- опыт разработки и запуска NLP/ML-решений в production;
- знание Python и SQL;
- опыт работы с BERT, Sentence-BERT, T5, FastText, Word2Vec или аналогами;
- понимание LLM, RAG и AI-агентов;
- опыт работы с Docker, Kubernetes и CI/CD;
- умение анализировать качество моделей и продуктовые метрики
Мы предлагаем:
- Развитие и карьерный рост;
- Возможность стать частью профессиональной дружной команды Kaspi;
- Обучение, тренинги и курсы за счет компании;
- Бесплатный тренажерный зал в офисе;
- Электронная библиотека - Kaspi Books и доступное приложение к нему;
- Chill-зона - уютный дворик, workout-площадка, также удобные скамейки и качели, для полной релаксации :)
- Отсутствие дресс-кода.
Направление фильмов и сериалов в VK Видео отвечает за развитие одних из ключевых сценариев потребления: фильмы, сериалы, детский контент, ТВ-шоу и тематические подборки. Мы хотим сделать эти сценарии удобнее и персональнее для пользователя: помогать находить хороший фильм на вечер, выбирать следующую серию любимого сериала, продолжать просмотр с нужного места и получать релевантные рекомендации без дублей.
Мы ищем старшего ML-разработчика, который будет развивать киносериальные рекомендации: анализировать пользовательское поведение, формулировать и проверять гипотезы, развивать матчинг и дедупликацию контента, обучать модели, обеспечивать стабильную работу рантайма, проводить A/B-эксперименты и развивать систему метрик.
Об одном из наших релизов можно прочитать здесь.Что предлагаем:
- Большой масштаб — десятки миллионов пользователей, высоконагруженный рантайм и большие данные
- Значимую продуктовую зону — фильмы и сериалы являются одним из ключевых драйверов роста вовлечения и TVT
- Сильную техническую среду — Discovery-платформа, ML-инфраструктура, Java, YTsaurus, быстрый цикл экспериментов
- Нетривиальные задачи — матчинг тайтлов, дедупликация копий, рекомендации сериалов, подборки, работа с плейлистами и кластерными сущностями
- Реальное влияние на продукт — возможность влиять не только на модели, но и на качество пользовательских сценариев
Задачи
- Развивать рекомендации для фильмов, сериалов, детского контента, ТВ-шоу и тематических подборок, а также разрабатывать механизмы матчинга и дедупликации контента
- Обеспечивать стабильную работу ML-решений в высоконагруженном рантайме
- Проводить A/B-эксперименты и принимать решения на основе данных
- Взаимодействовать с продуктом, аналитиками, бэкендом и смежными ML-командами
- Находить точки роста и формулировать продуктовые и ML-гипотезы
Требования
- Вы имеете от трёх лет опыта разработки ML-решений
- Уверенно пишете код на Python, Java или C++
- Работали с ML-системами в условиях высокой нагрузки
- Умеете работать с продуктовыми метриками и A/B-тестами
- Готовы брать на себя сложные технические задачи и доводить решения до продакшена
Будет плюсом
- Работали с рекомендательными, поисковыми или рекламными системами
- Работали с видео, медиа, UGC или стриминговыми продуктами
- Сталкивались с задачами матчинга и дедупликации контента
- Имеете опыт оптимизации ML-рантайма и production-инфраструктуры
.🚀 Ищем Senior Data Scientist (Document AI / IDP) на крупный промышленный проект!
Будем строить с нуля и выводить в прод систему интеллектуального распознавания и валидации первичной документации (счета, УПД, акты) с последующей интеграцией в RPA и SAP.
📌 Условия:
• Формат: удалённо, оформление как ИП
• Длительность: от 3-х месяцев
• Грейд: Senior
🛠 Чем предстоит заниматься:
• Проектировать архитектуру end-to-end решения для распознавания и валидации документов.
• Обучать и дорабатывать модели классификации, NER, извлечения полей и таблиц (в том числе из сложных сканов с печатями, подписями и рукописными пометками).
• Писать алгоритмы валидации данных (ИНН/КПП, НДС, контрольные суммы, сверка со справочниками SAP) и парсинг XML (УПД, форматы ФНС, EDI).
• Интегрировать решение с RPA-ботами и SAP (через REST/SOAP API, очереди сообщений).
• Мониторить качество в проде (метрики STP, precision/recall), анализировать ошибки и дообучать модели.🎯
Что мы ждем от тебя:
• Опыт в Data Science от 5 лет, из них от 2–3 лет в задачах Document AI / IDP.
• Уверенный стек OCR и Layout Analysis: Tesseract, PaddleOCR, ABBYY, LayoutLM/v3, Donut, DocTR или аналоги.
• Хорошее знание CV/ML: OpenCV (предобработка сканов), PyTorch/TF, Hugging Face, pandas, SQL.
• Продвинутый Python (ООП, pytest, типизация), опыт разработки API (FastAPI/Flask) и работы с брокерами (Kafka/RabbitMQ).
• Понимание работы с первичкой (Purchase-to-Pay, УПД, НДС) и опыт стыковки с RPA/SAP (или желание быстро в это погрузиться).
• Плюсом будет: опыт с VLM/LLM (Qwen-VL, GPT, Claude) для извлечения данных, MLOps (MLflow, Airflow) и активное обучение.
📩 Как откликнуться:
Пишите в личку: ••••••••
Обязанности:
- Разработка и развитие корпоративных AI-решений: интеллектуальных помощников, поиска по документам и систем обработки текстовых данных;
- Обучение и дообучение ML-моделей для решения бизнес-задач;
- Разработка и совершенствование NLP-решений для извлечения сущностей, классификации текстов и структурирования информации;
- Разработка и развитие RAG-систем, семантического поиска и решений на основе локальных языковых моделей;
- Повышение качества моделей и улучшение бизнес-метрик разрабатываемых решений;
- Анализ результатов работы моделей, оценка качества и формирование гипотез для дальнейших улучшений;
- Внедрение моделей в production, проведение A/B-тестирования и оценка эффективности изменений.
Требования:
- Коммерческий опыт работы в области ML/NLP от 2 лет;
- Практический опыт внедрения и применения LLM в бизнес-процессах и процессах разработки ПО, включая автоматизацию отдельных этапов разработки;
- Практический опыт обучения и дообучения языковых моделей, включая fine-tuning;
- Понимание принципов работы RAG-архитектур, семантического поиска и векторного поиска;
- Опыт работы с трансформерами и локальными LLM, понимание особенностей их развёртывания и оптимизации для инференса;
- Опыт работы с векторными базами данных и поисковыми решениями: FAISS, Qdrant, Milvus, Weaviate или pgvector;
- Практический опыт работы с открытыми языковыми моделями, например Llama, Mistral, Qwen или Gemma;
- Уверенное владение Python и PyTorch, опыт работы с Hugging Face;
- Навыки работы с SQL, Git, Docker и Linux;
- Понимание методов оценки качества ML-моделей и умение анализировать результаты экспериментов.
Что мы предлагаем:
- Гибридный формат работы 4/1 в пользу офиса (полностью удаленного формата нет).
- Конкурентоспособная заработная плата.
- Официальное трудоустройство по ТК РФ, бессрочный договор.
- ДМС после испытательного срока, 31 день отпуска.
- Корпоративное изучение английского языка.
- Работа в профессиональной команде, открытой к сотрудничеству, идеям и инновациям.
Мы ищем ML-инженера для разработки с нуля решения по интеллектуальной обработке документов: от распознавания текста и анализа структуры до извлечения реквизитов и табличных данных.
Обязанности:
- Проектирование и разработка ML-решений для распознавания документов, извлечения реквизитов, текста и табличных данных;
- Выбор архитектур моделей и подходов к решению задач OCR, детекции, сегментации и анализа структуры документов;
- Подготовка данных, обучение и дообучение моделей, проведение экспериментов и оценка качества;
- Разработка алгоритмов обработки изображений и повышения качества распознавания;
- Анализ ошибок, улучшение метрик качества и проверка гипотез;
- Проектирование и реализация ML-решения для вывода моделей в Production, участие в проведении A/B-тестов.
Требования:
- Коммерческий опыт разработки ML-решений в области Computer Vision, OCR или Document AI;
- Опыт полного цикла разработки ML-моделей: от подготовки данных и выбора архитектуры до обучения, оценки качества и внедрения;
- Практический опыт распознавания текста, извлечения структурированных данных и анализа структуры документов;
- Знание методов детекции и сегментации объектов, обработки изображений;
- Глубокое понимание архитектур нейросетей, классического ML и методов оценки качества моделей;
- Уверенное знание Python, опыт работы с PyTorch или TensorFlow, NumPy, pandas и OpenCV;
- Опыт работы с SQL, Git и Linux.
Будет плюсом:
- Опыт работы с TrOCR, Donut, LayoutLM, YOLO, DETR, SAM, Mask R-CNN или аналогичными архитектурами;
- Опыт работы с Hugging Face Transformers;
- Опыт проектирования ML-систем и развёртывания моделей в Production;
- Знание Docker, Kubernetes, Airflow, Spark, Prometheus и Grafana.
Условия работы:
- График 5/2, 1 удаленный день в неделю (полностью удаленного формата нет).
- Конкурентоспособная заработная плата.
- Официальное трудоустройство по ТК РФ, бессрочный договор.
- ДМС со стоматологией после испытательного срока, 31 день отпуска.
- Корпоративное изучение английского языка.
- Работа в профессиональной команде, открытой к сотрудничеству, идеям и инновациям.
Привет! Это команда Модели матчинга. Мы развиваем автоматический матчинг товаров в двух направлениях: между товарами Ozon и между товарами Ozon и других маркетплейсов.
Мы решаем сложные технологические задачи на стыке CV/NLP: повышаем полноту матчинга, развиваем мультимодальные модели и ищем новые способы находить соответствия между товарами. При этом наша цель – не исследование ради исследования, а реальные улучшения качества матчинга в production. Мы готовы экспериментировать с новыми подходами и моделями, но важно уметь доводить идеи до работающих решений и оценивать их бизнес-эффект.
У нас разные задачи и направления развития, поэтому мы готовы рассматривать кандидатов с разным опытом и специализацией в CV/NLP. Важнее всего техническая глубина, умение разбираться в сложных проблемах и стремление добиваться практического результата.
Вы будете
Анализировать текущие проблемы матчинга и находить возможности для улучшения качества моделей.
Работать над всем циклом ML-разработки: от аналитики и сбора датасетов до обучения, оценки качества и внедрения моделей в production.
Развивать текстовые, картиночные и мультимодальные модели для матчинга товаров.
Адаптировать и дообучать LLM/VLM под наши задачи, в том числе исследовать возможности использования этих моделей для разметки данных и улучшения качества матчинга.
Проектировать эксперименты, проверять гипотезы и оценивать эффект изменений на реальных данных в production.
Примеры задач
Конкретные задачи будут зависеть от вашего опыта и сильных сторон. С выкаткой моделей в production помогут опытные инженеры.
Нам важно
Коммерческий опыт в Data Science. Рассматриваем кандидатов с разным уровнем опыта – для нас важнее релевантные навыки и способность решать сложные задачи.
Опыт решения прикладных ML-задач в одной или нескольких областях: CV, NLP, мультимодальные архитектуры, LLM/VLM.
Знание Python и опыт работы с данными.
Умение проводить эксперименты, анализировать результаты и определять, какие изменения действительно улучшают качество решения.
Готовность брать ответственность за результат, разбираться в сложных технических проблемах и доводить решения до production.
Будет плюсом
Опыт в матчинге товаров, поиске или информационном поиске (Information Retrieval).
Опыт работы с LLM/VLM, в том числе их дообучения и использования для разметки данных.
Опыт проектирования протоколов разметки и формирования качественных обучающих датасетов.
Участие в ML-соревнованиях или открытых исследовательских проектах.
Мы — группа мультимодальных контентных моделей в отделе экспериментальных технологий AI VK. Мы разрабатываем технологии глубокого понимания контента и применяем их для развития рекомендательных систем ВКонтакте.
Мы строим модели, которые извлекают содержательные представления из постов, клипов, длинных видео и музыкальных треков, объединяя информацию из текста, изображения, видеоряда, речи и звука. Эти представления используются для поиска похожего контента, построения признаков, классификации и улучшения качества рекомендаций в продуктах VK.
Основные направления нашей работы — базовые embedding-модели для представления контента, мультимодальные модели и контентные классификаторы. Мы исследуем современные архитектуры, обучаем собственные модели на больших внутренних датасетах и доводим их до применения в продуктовых рекомендательных системах.
Позиция находится на стыке ресёрча и инженерии: от чтения статей, построения датасетов и постановки экспериментов до масштабного обучения, оптимизации инференса и проверки моделей в A/B-тестах.
Стек:
- PyTorch
- YT (YTsaurus), YQL
- NVIDIA Triton Inference Server, TensorRT, vLLM
- Распределённое обучение и multi-GPU inference
- Python, C++, Go
Задачи
- Разрабатывать и обучать базовые embedding-модели для текста, изображений, видео, речи, звука и музыки
- Разрабатывать мультимодальные модели и контентные классификаторы
- Исследовать архитектуры и методы обучения представлений: metric learning, contrastive learning, self-supervised и supervised learning
- Строить датасеты и бенчмарки для оценки качества моделей и проводить масштабные экспериментальные исследования
- Адаптировать модели под задачи retrieval и рекомендательных систем
- Интегрировать модели в продуктовые механики рекомендаций постов, клипов, видео и музыки
- Оптимизировать и масштабировать обучение и инференс моделей
- Деплоить модели и сопровождать их в продакшене: проводить A/B-тесты, анализировать метрики и мониторить качество
- Постоянно разбирать свежие статьи и идеи из индустрии и академической среды, воспроизводить перспективные подходы и проверять их на наших задачах
- Настраивать пайплайны сбора и разметки данных, работать с асессорами и синтетическими данными: проектировать инструкции, контролировать качество и проводить калибровки
Требования
- Опыт разработки, обучения и внедрения DL-моделей
- Уверенное знание теории машинного и глубокого обучения
- Хорошее понимание алгоритмов и структур данных, линейной алгебры, теории вероятностей и статистики
- Умение проектировать корректные эксперименты, выбирать метрики и интерпретировать результаты
- Навык написания чистого и поддерживаемого кода, понимание принципов проектирования ПО
- Владение современными практиками совместной разработки с кодовыми агентами: умение эффективно декомпозировать задачи для агентных инструментов, контролировать и ревьюить сгенерированный код
- Умение самостоятельно разбираться в новых предметных областях, быстро ставить эксперименты и проверять гипотезы
- Готовность работать как с исследовательской частью задачи, так и с её инженерной реализацией
- Открытость, ответственность, самостоятельность и проактивность
Будет плюсом
- Опыт разработки поисковых или рекомендательных систем в индустриальном масштабе
- Опыт работы с embedding-моделями, metric learning, contrastive learning или representation learning
- Опыт работы с мультимодальными моделями, VLM, audio-language моделями, video encoders или foundation-моделями
- Опыт обучения моделей для аудио, музыки, речи, изображений или видео
- Опыт self-supervised learning и обучения на больших слабоструктурированных датасетах
- Опыт распределённого обучения на нескольких GPU или нескольких узлах
- Опыт оптимизации DL-моделей: профилирование, квантизация, дистилляция, уменьшение размерности представлений
- Опыт построения больших датасетов и систематических бенчмарков для ML-моделей
- Публикации на профильных ML-конференциях или сильный исследовательский бэкграунд
«Детмир Тех» — команда, развивающая цифровую экосистему группы компаний «Детский мир». Делаем продукты для миллионов клиентов и сервисы, которые помогают бизнесу работать быстрее.
Кого ищем: Middle ML Engineer
Мы развиваем машинное обучение для задач ритейла в «Детском мире». ML помогает точнее планировать работу магазинов, прогнозировать спрос и принимать решения, влияющие на продажи, цены и наличие товаров.
Ищем Middle ML Engineer в команду прогнозирования и классического машинного обучения. Предстоит самостоятельно прорабатывать задачи, исследовать данные, разрабатывать модели и доводить решения до использования в бизнес-процессах.
Чем предстоит заниматься:
-
Разрабатывать решения для прогнозирования нагрузки магазинов: оценивать потребность в персонале с учётом планов продаж, заказов, чеков, трафика и особенностей магазинов.
-
Формировать прогнозы и профили потребности с детализацией до дня и 15-минутного интервала, учитывая бизнес-ограничения и нормативы.
-
Разрабатывать модели кластеризации магазинов и использовать сегментацию для настройки прогнозов и бизнес-правил.
-
Создавать и улучшать модели прогнозирования спроса на товары с учётом сезонности, промо, цен, ассортимента и доступности товаров.
-
Разрабатывать алгоритмы для задач динамического ценообразования: оценивать связь цены и спроса, прогнозировать эффект изменения цены и учитывать заданные ограничения.
-
Исследовать влияние промо и других факторов на спрос, строить сценарные прогнозы и оценивать их качество.
-
Проверять гипотезы и качество моделей на исторических данных, подбирать метрики и подходы к валидации.
-
Взаимодействовать с бизнесом, аналитиками и инженерами данных: уточнять постановку задачи и помогать внедрять результаты в рабочие процессы.
-
Поддерживать модели после внедрения и отслеживать качество прогнозов.
Что ожидаем от вас:
- Опыт решения прикладных задач машинного обучения на реальных данных.
- Уверенное владение Python и SQL.
- Понимание классических методов ML, прогнозирования временных рядов и кластеризации.
- Опыт работы с библиотеками для машинного обучения, например scikit-learn, CatBoost или LightGBM.
- Понимание методов проверки качества моделей, временной валидации и типичных проблем вроде утечки данных.
- Навыки исследования данных, построения признаков и проверки гипотез.
- Умение объяснять выбранный подход и результаты коллегам из разных команд.
- Готовность самостоятельно вести типовую ML-задачу от анализа данных до подготовки решения к внедрению.
Будет плюсом:
-
Опыт в e-commerce или ритейле.
-
Практический опыт прогнозирования спроса, продаж или операционной нагрузки.
-
Опыт работы с задачами ценообразования, оценкой эластичности спроса или эффектов промо.
-
Опыт внедрения и мониторинга ML-моделей в продуктивной среде.
-
Опыт работы с большими объёмами данных и распределёнными вычислениями.
Ключевые навыки:
Python • SQL • Machine Learning • Прогнозирование временных рядов • Кластеризация • CatBoost • LightGBM • Исследование данных • Валидация моделей
Мы предлагаем:
-
Официальное оформление в соответствии с ТК РФ в IT-аккредитованную компанию;
-
Совокупный доход: оклад + годовой бонус;
-
График работы: 5/2 (гибридный формат работы/ удаленный);
-
Вакансия открыта для кандидатов, проживающих в РФ, удалённый формат работы из других стран не рассматривается;
-
Техника для работы;
-
Полис ДМС;
-
Программа Best Benefits;
-
Внутреннее обучение;
-
Спортивные и развлекательные мероприятия, участие в корпоративной жизни компании.
Присоединяйтесь к нам и станьте частью истории бренда с историей!
Мы - Kaspersky DDoS Protection (KDP) - отдельное подразделение «Лаборатории Касперского», международного лидера в кибербезопасности. Мы создаём единую высоконагруженную платформу для защиты онлайн-активов. В основе - защита от DDoS-атак (L3/L4), которую мы активно усиливаем решениями уровня приложений (L7): WAF, защита от ботов, а также развиваем направление CDN.
Краткое описание:
Разработка и поддержка ML-систем для antiDDoS/antibot. Системы высоконагруженные, с жесткими SLA. Код нужно писать относительно низкоуровневый, заточенный под real-time прод, то есть from catboost import CatBoostClassifier не вариант. Многие алгоритмы придется реализовывать по пейперам (а в жизни as is они работают не всегда, нюансов много и нужно разбираться) или собственному озарению (обоснованному математической логикой).
- Реализовывать новые и улучшать имеющиеся алгоритмы детекции атак
- Вписываться в жесткие лимиты по задержкам и пропускной способности: профилировать и оптимизировать горячие пути, снижать latency, убирать аллокации, минимизировать gc-паузы и кэш-промахи, предотвращать утечки памяти - и всё это не за счет снижения обобщающей способности моделей
- Писать performance-бенчмарки и тесты - новые фичи не должны ломать SLA
- Внимательно и качественно документировать решения
- 2-3 года коммерческого опыта в ML/DS, практический опыт разработки и внедрения ML-решений
- Хорошая матбаза: статистика, теория вероятностей, линейная алгебра. Способность и желание самостоятельно разбираться в математике алгоритмов
- Интерес к производительности кода и алгоритмов, готовность реально вникать в происходящее "под капотом"
- Системное мышление и внимание к деталям, умение глубоко погрузиться в незнакомую задачу и довести решение до прода
- Английский, достаточный для чтения технической документации и оригиналов научных статей
- Высшее образование
- Python 3.x, SQL, Docker, Airflow, Git, DVC, S3, Grafana, bash
- Опыт работы с высоконагруженными ML-системами
- Опыт в задачах обнаружения аномалий, антифрода, antiDDoS/anti-bot или смежных областях
- Общее понимание как устроен Интернет (модель OSI) и сетевое взаимодействие
- Отсутствие стремления перепоручить агентам вообще всё
Если с real-time еще не работали, но действительно хотите и перечисленное не пугает - откликайтесь
Привет! Мы команда MLOps.
В команду рекомендаций Ozon мы ищем Senior специалиста в группу MLOps для работы над проектом внутреннего инструмента объяснения рекомендаций (Explainer). Наши пользователи это дата-сайентисты и продакт-менеджеры рекомендаций, которым мы помогаем отладить работу рекомендательных систем Озона.
Наш стек: Python, Clickhouse, Kafka
Вы будете
Создавать стабильные отказоустойчивые и масштабируемые сервисы и системы обработки данных;
Проектировать и валидировать прототипы решений;
Писать тесты;
Проводить Code Review;
Договариваться со смежными командами разработки (и как клиенту, и как исполнителю)
Нам важно
Продвинутое владение Python и понимание ООП;
Опыт работы с базами данных, в идеале опыт с OLAP. Опыт оптимизации запросов;
Опыт работы с очередями сообщений;
Уверенный технический бэкграунд (вы представляете себе, что такое контейнеры, k8s и т. д)
Будет плюсом
Опыт работы именно с ClickHouse (знание движков таблиц, партиционирования, шардирования и т. д).
Опыт работы с FastAPI
Знание основ ML, ML-процессов и основных метрик качества ML-моделей
Наша команда Департамента развития корпоративного бизнеса разрабатывает ML модели в следующих направлениях:
- предотвращение оттока
- оценка CLTV
- омниканальная рекомендательная система
- котирование кредитов и депозитов и т.д.
- отраслевые модели
- классификация комментариев, обратной связи
- оценка силы связи в графе
В роли Senior Data Scientist вы будете отвечать за end-to-end процесс создания data-продукта, от исследования релевантных данных, построения и проверки гипотез, создания признаков до тестирования и подготовки готового продукта к промышленной эксплуатации
• Высшее образование в области компьютерных наук, статистики, прикладной математики или другой релевантной области
• Глубокое понимание статистических подходов и методов (регрессия, свойства распределений, проверка гипотез и их правильное использование) и опыт их применения
• Свободное владение основными DS библиотеками на Python (pandas, numpy, scikit-learn, pytorch, lightgbm)
• Опыт применения алгоритмов машинного обучения (GLM/Regression, Trees, Random Forest, Boosting), понимание их преимуществ, недостатков и ограничений
• Достойный уровень инженерной культуры (умение писать адекватный код за вменяемое время, использовать контроль версий)
• опыт с языком SQL, навыки работы с Apache Spark
• Английский язык (устный и письменный) как преимущество
• Опыт в распределённых/параллельных вычислениях с помощью следующих технологий: Hadoop, Spark, Dask и другие как преимущество
• Стремление вникнуть в бизнес соответствующей отрасли
• Умение общаться с бизнес-заказчиком, слышать собеседника и доказывать свою точку зрения
• Развитая IT архитектура
• Комфортный офис, большой выбор вариантов по питанию, бесплатный фитнес в офисе
• Скидки на продукты банка и экосистемы
• Постоянное развитие: обучающие курсы от лучших университетов и компаний (МФТИ, ВШЭ, NVIDIA и другие), участие в международных конференциях
• Развитое DS community, регулярные митапы, дайджесты и конференции
Команда РСХБ-Экосистема в поисках специалиста Data Scientist.
Команда занимается персонализированной коммуникацией с клиентами через цифровые каналы. Мы строим end-to-end персонализацию с помощью ML и AI:
Предсказываем, что нужно клиенту, ещё до того, как он это понял;
Разрабатываем мультиагентную систему для генерации контента в мобильном приложении.Прогнозируем транзакции и подбираем персональные категории кешбэка.
Оптимизируем показ предложений с учётом бизнес-ограничений и прогнозов моделей.
Ищем баланс между интересами клиента и целями банка — без перекоса в одну сторону.
ЧЕМ ПРЕДСТОИТ ЗАНИМАТЬСЯ:
- Разрабатывать ML-модели (lookalike/response/uplift/recsys) для персонализации push/pull-коммуникаций, категорий кешбэка, рекламных материалов и других сценариев в цифровых каналах банка;
- Визуализировать и интерпретировать результаты, дизайнить A/B-тесты, проводить пилоты;
- Общаться с бизнесом и помогать решать задачи через данные и ML;
- Проходить полный цикл разработки модели: от уточнения требований до продакшна и мониторинга качества (если каких-то навыков не хватает — поможем развить);
- Разрабатывать AI-агентов.
- Высшее техническое образование;
3+ года опыта в Data Science (именно построение моделей, не только аналитика); - Уверенный математический аппарат: мат. статистика, теория вероятностей;
- Продвинутый Python и SQL (оконные функции, подзапросы — на автомате);
- Опыт работы со Scikit-learn, NumPy, Pandas/Polars, Matplotlib/Seaborn/Plotly, LightGBM/XGBoost/CatBoost, PyTorch/TensorFlow/Implicit/LightFM, Airflow, Git.
Будет большим плюсом:
- PySpark, Hive, Hadoop, Docker, Kubernetes;
- Опыт в банковской сфере и CVM;
- Модели склонности и uplift-моделирование;
- Рекомендательные системы (RecSys);
- NBA/NBO оптимизаторы (Next Best Action / Next Best Offer);
- ИИ-сервисы (real-time, near real-time или batch).
ЧТО МЫ ПРЕДЛАГАЕМ:
- Гибридный формат работы, Москва, Москва-Сити (2 дня в неделю в офисе);
- Комфортный и современный офис;
- Обучение за счет компании (посещение конференций, курсов, помощь в написании статей на Хабр и т.д.);
- Вертикальное и горизонтальное развитие: регулярные тренинги, вебинары, митапы;
- Забота о вашем здоровье: ДМС с первого месяца работы, куда входит стоматология;
- Прозрачный доход по итогам интервью;
- Дополнительные бонусы от Россельхозбанка для сотрудников группы компаний (Скидки на спортзалы, рестораны, маркетплейсы и т.д.).
Удалённая работа — географически не привязана. Щёлкни по любой из локаций, чтобы открыть оригинальную карточку.
Функциональные обязанности
- Развитие прод-сервисов компьютерного зрения полного цикла: детекция людей и объектов, multi-object tracking, ReID, action recognition, embedding-поиск по каталогу деталей.
- Обучение и дообучение моделей: детекторы (YOLO11/YOLOv12, ultralytics), ReID-эмбеддеры (DINOv3 + LoRA, metric learning), видеомодели распознавания действий (VideoMAE/ViT).
- Оптимизация инференса под прод: экспорт в ONNX, TensorRT (FP16/BF16, engine cache), батчинг, latency-бюджет, потребление GPU-памяти на многочасовых видео.
- Доработка алгоритмического ядра трекинга (собственные реализации BoostTrack / BoT-SORT / ByteTrack): ассоциация, фильтр Калмана, компенсация движения камеры, восстановление треков по эмбеддингам.
- Согласование со смежными командами и заказчиком контрактов API и сообщений.
- Выезды на производственные площадки заказчиков: сбор данных, внедрение и сопровождение решений.
Требования
- Коммерческая разработка на Python от 3 лет, уверенное владение numpy и OpenCV.
- Решения в области компьютерного зрения, выведенные в прод. Детекция объектов обязательна; трекинг (MOT) и/или metric learning / ReID — сильный плюс.
- Практический опыт обучения и дообучения нейросетей (PyTorch, ultralytics): аугментации, подбор гиперпараметров, диагностика переобучения, работа с несбалансированными данными.
- Умение самостоятельно выстроить оценку качества: выбрать метрику под задачу, собрать ground truth, воспроизводимо измерить и подтвердить улучшение цифрами.
- Опыт продакшн-инференса: ONNX Runtime и/или TensorRT.
- Опыт работы с брокерами и хранилищами: RabbitMQ или Kafka, Redis, S3.
- Инженерная культура: git-flow и code review, линтеры и типизация (ruff/black/mypy), структурированное логирование, конфигурация через YAML/env вместо хардкода.
- Самостоятельность: команды небольшие, задача приходит в бизнес-формулировке, а не готовым ТЗ.
- Готовность к командировкам.
Будет преимуществом:
- опыт работы с ClearML;
- Docker, Kubernetes, CI/CD;
- video understanding и action recognition, работа с временными окнами и мультилейбл-постобработкой;
- векторные БД (Qdrant) и задачи fine-grained retrieval, где классы визуально почти неразличимы;
- геометрия камеры: калибровка по шахматке, гомография, дисторсия, fisheye;
- gRPC и FastAPI, проектирование контрактов между сервисами.
Стек: Python 3.11+, PyTorch, ultralytics, ONNX Runtime, TensorRT, OpenCV, numpy, FastAPI, gRPC, RabbitMQ, Redis, PostgreSQL, S3, Qdrant, Docker, Kubernetes, GitLab CI, ClearML, CVAT.
Условия:
- Ипотека, отсрочка, стабильность. Решайте важные жизненные вопросы с нашей поддержкой: ИТ-ипотека и отсрочка от службы для тех, кому это актуально.
- Инвестиции в развитие. Компенсируем ваше обучение, английский (и не только), спортивные абонементы и билеты на конференции. Растите профессионально — мы поможем.
- Социальная политика. Специальная программа поддержки в разных жизненных ситуациях, включая мамины дни, подарки детям работников при поступлении в первый класс и на Новый год.
- Офис или удаленка. офисы в трех городах МСК, СПб и Набережные Челны или ваш собственный уютный домашний офис.
- Встречаемся онлайн и офлайн. Наши активности — от классических викторин в офисе до киберспортивных баталий на удаленке — не дадут заскучать.
#senior #удаленка
••••••••
Senior Applied ML Engineer (Python)
Опыт работы: более 6 лет
Полная занятость
График: 5/2
Формат работы: удалённо
☑️ Чем предстоит заниматься
-Разработка ML-моделей: прогнозирование вероятности покупки дополнительных услуг при разных ценах, оптимизация ценовых решений, построение нейросетевых моделей
-Экспериментальная методология: проектирование контролируемого исследования (controlled exploration) в допустимом диапазоне цен, правил рандомизации, вероятностей назначения ценовых вариантов и ограничений безопасности
-A/B-тестирование: дизайн контролируемых экспериментов для сравнения новой политики ценообразования с текущей, определение основных (primary) и защитных (guardrail) метрик, критериев остановки и условий развёртывания (rollout)
-Полный жизненный цикл машинного обучения: обучение, валидация, инференс, периодическое переобучение, версионирование моделей, цикл обратной связи между предсказаниями, решениями и фактическими результатами
-Разработка: реализация сквозного ML-прототипа, включая минимальные HTTP API, хранение данных и имитацию внешней системы бронирования
-Логирование и данные: корректная фиксация назначенных цен, экспериментальных вариантов, вероятностей назначения, фактов покупки и бизнес-метрик
☑️ Наши пожелания к кандидатам
-Уверенное владение Python, NumPy, pandas, scikit-learn, PyTorch или TensorFlow, а также C# для интеграции с бэкендом
-Опыт разработки, обучения и применения ML-моделей, включая нейронные сети, инженерию признаков (feature engineering) и работу с табличными данными
-Понимание математических основ машинного обучения, теории вероятностей, статистики, методов оптимизации и принципов A/B-тестирования
-Способность проектировать контролируемое исследование (controlled exploration), правила рандомизации, основные и защитные метрики для ценовых экспериментов
-Опыт организации полного жизненного цикла машинного обучения: обучение, валидация, инференс, переобучение, версионирование и обратная связь
-Уверенное владение SQL, PostgreSQL, Git, Docker и навыки разработки Python-приложений с автотестами
Будет плюсом:
-Опыт в динамическом ценообразовании и оптимизации выручки (revenue optimization): прогнозирование спроса, ценовая эластичность, готовность платить
-Знакомство с продвинутыми методами причинно-следственного анализа (causal inference) и последовательного принятия решений (sequential decision making): контекстные многорукие бандиты (contextual bandits), off-policy evaluation, IPW, doubly robust estimation
-Знакомство с MLOps-инструментами (MLflow, оркестрация, мониторинг моделей) и опыт эксплуатации ML-сервисов
-Опыт работы в авиационной отрасли, электронной коммерции или управлении доходами (revenue management)
Контакты: ••••••••
Python Job •••••••• | •••••••• | ••••••••
Смотрите также в каталоге
Хотите персональную подборку?
Введите свои критерии — мы отфильтруем вакансии по вашим требованиям
Найти подходящие вакансии →