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.

В дайджест попадут вакансии на русском
Другие площадки
джетлин

Machine Learning Engineer (Generative AI / Computer Vision)

джетлинАвтоподнятие
162k–365k ₽Не указана странаЛокация не указанаУдалёнка

Мы запускаем ИИ-инкубатор в Лемана ПРО, чтобы проверять смелые гипотезы и создавать продукты будущего. В рамках одного из ключевых Proof of Concept (PoC) мы ищем специалиста, который разработает модели для генерации изображений, дизайн-проектов и визуализаций готовых решений на основе ассортимента товаров Лемана ПРО.

Это возможность работать на стыке Computer Vision и Generative AI, превращая идеи в работающие прототипы, которые в перспективе изменят клиентский опыт в сфере ремонта и обустройства дома.


Чем предстоит заниматься (Задачи)

  • Разрабатывать и исследовать ML-модели для генерации изображений и визуализации интерьерных/строительных решений на основе товаров Лемана ПРО.

  • Проектировать и реализовывать end-to-end пайплайны для PoC: от сбора и подготовки данных до обучения, оценки и демонстрации результатов.

  • Создавать и поддерживать фреймворки для оценки качества (evals) генеративных моделей и LLM-систем (контроль галлюцинаций, метрики качества генерации).

  • Писать чистый, поддерживаемый production-ready код: модульная архитектура, unit-тесты, логирование, документация, code review.

  • Оптимизировать инференс моделей (стоимость, latency, масштабируемость), работать с GPU-инфраструктурой.

  • Обеспечивать информационную безопасность: контроль рисков prompt injection, защита персональных данных (PII) и корректное управление правами доступа в агентных системах.

  • Тесно взаимодействовать с командой продукта и другими ML-специалистами для валидации бизнес-гипотез и дизайна A/B-тестов.

Наши ожидания (Требования)

Фундаментальная база:

  • Глубокое понимание принципов машинного обучения: подготовка данных и feature engineering, выбор архитектур, регуляризация, борьба с переобучением и data leakage, интерпретация результатов.

  • Уверенные знания математической статистики: проверка гипотез, доверительные интервалы, дизайн и анализ A/B-тестов.

  • Понимание принципов оценки качества ML-систем: offline/online-метрики, построение валидации, оценка бизнес-эффекта, мониторинг качества моделей и данных (data drift).

Технический стек и разработка:

  • Уверенное владение Python и экосистемой: pandas / polars, NumPy, scikit-learn, CatBoost / LightGBM / XGBoost, PyTorch (или аналоги).

  • Уверенное владение SQL для работы с большими объемами данных.

  • Навык написания production-кода: модульность, тестирование, логирование, Git, опыт участия в code review.

Специализация (опыт работы хотя бы в одном из направлений, приоритетно CV/GenAI):

  • Computer Vision и генеративный AI (генерация изображений, NeRF, 3D-реконструкция или аналогичные задачи).

  • NLP, LLM и построение RAG-систем.

  • Рекомендательные системы, поиск и ранжирование.

  • Классическое машинное обучение или прогнозирование временных рядов.

Генеративный AI и LLM (важно для текущего PoC):

  • Опыт построения evals для LLM-систем, оценки качества ответов и мониторинга поведения системы.

  • Понимание рисков безопасности: prompt injection, некорректный tool calling, утечки данных.

  • Опыт работы с API языковых моделей, Hugging Face и orchestration-фреймворками (LangChain, LlamaIndex или аналоги).

  • Опыт fine-tuning или адаптации LLM (LoRA / PEFT).

  • Понимание принципов проектирования AI-агентов: управление состоянием (state management), выбор инструментов, контроль автономности и human-in-the-loop.

Инфраструктура и MLOps:

  • Опыт работы с Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana.

  • Опыт эксплуатации GPU-инфраструктуры и оптимизации инференса (квантование, ONNX, TensorRT и т.д.).

  • Понимание принципов информационной безопасности, privacy и работы с персональными данными.

  • Опыт работы в e-commerce, retail или других продуктовых highload-системах будет значительным преимуществом.

hh.ru
снэп айти

AI-First ML / MLOps Engineer

снэп айтиАвтоподнятие
150k–200k ₽РоссияМоскваУдалёнка

SNAP IT - российская независимая технологическая компания.

Мы представители самой технологичной и стремительно эволюционирующей индустрии IT. Создаем ПО для ФинТеха.
Топовые банки уже доверили нам самые сложные высокотехнологичные проекты.
Мы верим, что роботизация бизнеса - это будущее, которое наступило уже сегодня.

Ищем инженера, который совмещает прикладную ML-разработку и MLOps: умеет работать с данными и моделями, организовать воспроизводимый процесс и довести решение до стабильной работы в production с помощью ИИ-агентов.

Обязанности:

  • Вести ML-задачу. Уточнять задачу и критерии успеха, анализировать и подготавливать данные, создавать baseline и выбирать подход.
  • Обучать и оценивать модели. Обучать или дообучать модели, анализировать ошибки, сравнивать решения по качеству, скорости и стоимости. Документировать результаты экспериментов и ограничения выбранного подхода
  • Организовывать воспроизводимый MLOps-процесс. Автоматизировать подготовку данных, обучение, оценку и развёртывание; версионировать данные, код, модели и конфигурации. Обеспечивать повторяемость экспериментов и сборок
  • Разрабатывать и сопровождать ML-сервисы. Создавать сервисы инференса и интеграции с продуктом, настраивать окружения CPU/GPU, тестирование, CI/CD, мониторинг, обновление и откат моделей
  • Настраивать ИИ-агентов для ML и инфраструктуры. Создавать skills, проектные инструкции и workflow. Подключать инструменты и документацию, контролировать доступ к данным, секретам и вычислительным ресурсам, проверять подготовленный агентами код
  • Лично валидировать качество. Вручную проверять данные и разметку на выборках, анализировать предсказания и ошибки модели, исследовать проблемные сценарии. Не ограничиваться сводными метриками
  • Проверять решение в целевой среде. Лично проходить реальные сценарии в развёрнутом продукте, проверять интеграции и нагрузочные характеристики. Диагностировать проблемы данных, модели, сервиса и инфраструктуры
  • Контролировать работу после запуска. Следить за качеством, задержками, ошибками, потреблением ресурсов и изменениями входных данных. Исследовать отклонения, устранять проблемы и проверять результат исправлений

Требования:

  • Самостоятельная ML-разработка. Уверенный Python, опыт PyTorch и/или scikit-learn либо аналогичных инструментов. Умение читать, писать и отлаживать код подготовки данных, обучения и инференса, а не только запускать готовые примеры

  • Production-опыт и MLOps. Практический опыт развёртывания и сопровождения ML-сервисов. Понимание API, хранения и версионирования артефактов, воспроизводимости окружений, мониторинга, обновления и отката моделей

  • Инженерная инфраструктура. Практические навыки Linux, Docker, Git, тестирования и CI/CD. Умение диагностировать проблемы производительности, использования CPU/GPU и памяти

  • Coding agents и их адаптация. Практический опыт Codex, Claude Code или аналогов; создание skills и проектных инструкций, настройка контекста, инструментов и безопасных окружений под ML- и инфраструктурные задачи

  • Опыт с речевой аналитикой.

  • Личная ответственность за результат. Готовность самостоятельно проверять код и выводы агентов, вручную анализировать данные и предсказания, проверять реальные сценарии и доводить модель и сервис до согласованного качества

Будет плюсом:

  • Опыт MLflow, DVC, Kubernetes и оркестраторов вычислительных задач

  • Опыт оптимизации GPU-инференса, батчинга, квантования и нагрузочного тестирования ML-сервисов

  • Хорошее понимание ASR, TTS, DSP ML, speech & audio processing понимание трансформеров, attention-механизмов, KV-cache, diffusion

  • Опыт работы с диффузионными и авторегрессионными архитектурами для аудио/музыки

Условия:

  • Формат работы: удалённый. Важно иметь возможность пару раз в месяц ездить в офис в Москве;

  • Оформление в соответствии с ТК РФ;

  • ДМС+стоматология после окончания испытательного срока;

  • Предоставление техники;

  • Отсутствие бюрократии, прозрачность, быстрое принятие решений, а также уважение к каждому члену команды;

  • Поддержка в значимых событиях.

hh.ru
Зарплата не указанаРоссияМоскваГибрид

О проекте

Мы запускаем проект роботизации ломбардной сети: создаём роботизированные терминалы, которые самостоятельно принимают изделия, оценивают драгоценные металлы, помещают залог в автоматизированное хранилище и выдают его клиенту. Это новый для рынка продукт, и у вас будет возможность участвовать в его создании с первых этапов и масштабировании на федеральную сеть.

Ищем инженера по машинному зрению, который отвечает за «глаза» роботизированного комплекса: распознавание ювелирных изделий, считывание маркировки Data Matrix, измерение геометрии камней и определение типа изделия.

Чем предстоит заниматься:

  • Обрабатывать изображения: устранять блики, выравнивать освещение, убирать шумы, сегментировать объект в ячейке, извлекать контуры и признаки
  • Распознавать Data Matrix на изделиях, бирках и ярлыках, в том числе повреждённых, снятых под углом или при неравномерном освещении; контролировать качество маркировки
  • Измерять размеры камней: калибровка по эталонам, пересчёт пикселей в миллиметры, оценка погрешности
  • Классифицировать изделия по форме и типу (кольцо, цепь, серьги, браслет и т. д.) классическими методами и нейросетями, в том числе редкие классы с малым числом примеров
  • Подбирать камеры, объективы и схему освещения, бороться с бликами на металле и камнях
  • Калибровать камеры и измерительный тракт, вести эталоны, регулярно проверять точность
  • Собирать и размечать датасеты из реальных снимков, делать аугментацию, контролировать качество выборки
  • Интегрировать модуль зрения с ПЛК и роботом (триггеры съёмки, передача координат) и с учётной системой SAP совместно с программистами
  • Тестировать на потоке, разбирать ложные срабатывания, дообучать модели на новых типах изделий, поддерживать модели в продакшене
  • Готовить ТЗ на модуль зрения, регламенты калибровки, протоколы испытаний, инструкции для персонала

Что для нас важно:

  • Высшее техническое образование (компьютерные науки, прикладная математика, радиотехника, приборостроение, оптотехника)
  • Опыт работы CV/MV-инженером от 3 лет
  • Уверенный Python, знание алгоритмов обработки изображений; C++ будет плюсом
  • OpenCV: фильтрация, пороговая обработка, контуры, морфология, гомографии, калибровка камеры и коррекция искажений
  • Опыт обучения моделей классификации и детекции на PyTorch или TensorFlow, transfer learning, работа с предобученными сетями
  • Опыт детекции и декодирования Data Matrix (open source или Halcon, Cognex VisionPro, Keyence); знание типичных проблем: блики, повреждения, низкий контраст
  • Умение подобрать камеру, объектив и освещение, рассчитать поле зрения и разрешение
  • Понимание метрологии: погрешности, калибровка, пересчёт пикселей в миллиметры
  • Опыт работы с реальными данными: сбор и разметка датасетов, анализ ошибок, вывод моделей в рабочий контур
  • Базовое понимание промышленной автоматизации: триггеры от ПЛК, цифровые сигналы, Modbus TCP, REST/HTTP, очереди и логи

Будет плюсом:

  • Halcon, NI Vision, Cognex VisionPro
  • 3D-зрение: стереокамеры, структурированный свет, лазерные профилометры, фотограмметрия
  • Знание ювелирной специфики: номенклатура изделий, типы огранки и закрепки камней
  • Знание стандартов маркировки: GS1 DataMatrix, ГОСТ Р ИСО/МЭК 16022, маркировка ювелирных изделий
  • Деплой моделей: ONNX, TensorRT, оптимизация под edge-устройства (Jetson, промышленные ПК), Docker
  • Опыт связки «зрение → захват» с манипуляторами, ROS
  • Опыт defect detection (поиск дефектов на поверхности)
  • Английский на уровне чтения технической документации и статей.

Условия

  • Участие в инновационном проекте с нуля в крупной федеральной компании.
  • Заработная плата обсуждается с успешными кандидатами (оклад + бонус).
  • ДМС, оплата мобильной связи.
  • Компенсация командировочных расходов.
  • Офис в Москве, работа на объектах сети.
Соц.сети

ML Engineer

Зарплата не указанаУзбекистанТашкентОфис

#mlengineer #uzbekistan
ML Engineer in Tashkent

Локация и формат: On-site и full-time в Ташкенте. К рассмотрению приглашаются кандидаты, готовые к релокации
Компания: ••••••••
Английский: Intermediate+ (B1+/B2)

Ищут опытного Machine Learning Engineer в Ташкент для международного проекта в сфере корпоративного кредитования и финтеха. Заказчик — крупная технологическая компания в области цифровой инфраструктуры, развивающая высоконагруженные платформы для обработки больших объемов данных в нескольких регионах.

Ключевые задачи:
• Вывод ML-моделей в production и их интеграция в пайплайны принятия кредитных решений.
• Мониторинг производительности моделей, отслеживание дрифта данных и поддержание их стабильной работы.
• Участие в развитии высоконагруженной платформы в распределенной облачной среде с высокими требованиями к безопасности и отказоустойчивости.

Что важно:
• 5+ лет опыта работы на позиции Machine Learning Engineer.
• Опыт работы с Apache Spark и feature stores в банковской среде (с учетом регуляторных требований).
• Уверенный Python и практический опыт в MLOps.
• Опыт работы с Docker и Kubernetes.
• Знание CI/CD пайплайнов для ML-моделей, версионирования моделей и мониторинга дрифта (например, MLflow).
• Опыт деплоя ML-моделей в виде API или сервисов и их интеграции с decision engines.
• Уровень английского языка — от Intermediate+ и выше.

Писать: ••••••••

Сайты компаний
vk

Старший DL-инженер

vkАвтоподнятие
Зарплата не указанаРоссияМоскваГибрид
Мы — отдел экспериментальных технологий в AI VK, который решает широкий спектр ML- и DL-задач. Наша команда анализирует, как наши разработки можно переиспользовать и где применить, а затем масштабировать.

Задачи

  • Развивать компоненты AI-ассистента для VK Видео: понимание намерения, удержание контекста диалога, выбор стратегии и маршрутизация инструментов
  • Улучшать генерацию кандидатов, semantic retrieval и reranking для поиска и персонализированных рекомендаций
  • Работать с гибридным поиском: эмбеддинги, текстовые и структурные фильтры, поисковые API, рекомендательные модели и явные критерии пользователя
  • Оптимизировать candidate budget и смешивание кандидатов из разных источников
  • Обучать и дообучать модели для отдельных компонентов системы: LLM-like, reranker, query rewriting, relevance-модели
  • Собирать и улучшать обучающие и тестовые датасеты: реальные и синтетические запросы, сложные негативные примеры, long-tail-сценарии и размеченные диалоги
  • Создавать и поддерживать golden datasets, human-aligned evaluation и автоматические проверки качества; калибровать auto-eval по человеческой оценке
  • Анализировать деградации, формулировать гипотезы и проверять их в воспроизводимых экспериментах
  • Оценивать модели не только по общей метрике, но и по отдельным сценариям, категориям запросов, релевантности, разнообразию, безопасности и качеству диалога
  • Оптимизировать latency, стоимость и использование вычислительных ресурсов при обучении и инференсе
  • Готовить компоненты к промышленной эксплуатации: интеграция, нагрузочное тестирование, мониторинг, обработка ошибок и контроль регрессий
  • Участвовать в offline- и online-экспериментах, подготовке A/B-тестов и интерпретации продуктовых метрик
  • Проводить code review, документировать эксперименты и участвовать в обсуждении архитектуры и исследовательских результатов

Требования

  • Сильная теоретическая база и опыт работы в рекомендательных системах, информационном поиске, NLP/LLM; готовность работать на их пересечении
  • Понимание устройства retrieval и ranking: embeddings, candidate generation, negative sampling, cross-encoders, reranking
  • Знание основных offline-метрик поиска и рекомендаций: Recall@K, Precision@K, NDCG, MRR и их ограничений
  • Опыт обучения, валидации и внедрения ML-моделей; доведённые до production либо production-like среды самостоятельно разработанные компоненты
  • Навыки постановки воспроизводимых экспериментов, анализа ошибок и статистической интерпретации результатов
  • Понимание жизненного цикла ML-системы: данные, обучение, inference, мониторинг, деградации и переобучение
  • Опыт работы с большими объёмами данных и пайплайнами обработки; YT, Spark или аналогичные инструменты
  • Базовые навыки Linux, Git, контейнеризации и работы с сервисами

Будет плюсом

  • Опыт создания LLM-приложений: tool calling, agentic workflows, RAG, structured generation
  • Дообучение LLM или encoder-моделей: SFT, LoRA/adapters, RL
  • Построение lexical, semantic или hybrid retrieval
  • LLM-as-a-judge, human evaluation, построение golden datasets и калибровка автоматических оценок
  • Оптимизация GPU-инференса, batching, quantization, model serving
  • Опыт с распределённым обучением и промышленной ML-инфраструктурой
  • Практика A/B-тестирования рекомендательных или поисковых моделей
  • Мультимодальные модели, VLM, понимание видео или рекомендательные системы для медиаконтента
  • Наличие публикаций по тематике LLM, NLP, multimodal models
hh.ru
т-банк. ит. разработка

ML-инженер

т-банк. ит. разработкаАвтоподнятие
Зарплата не указанаРоссияОмскОфис

Мы создаем и применяем AI-технологии для развития финансовой экосистемы Т-Банка, внедряем машинное обучение в продукты и внутренние процессы компании, делаем решения качественнее, безопаснее и удобнее для пользователей, вкладываемся в долгосрочные исследования. Сейчас мы в поисках ML-инженеров, которые привнесут экспертизу и свой вклад в развитие Центра технологий искусственного интеллекта.

Наши технологии

  • Диалоговые системы. Обучаем финансового ассистента поддерживать разговор и отвечать на запросы пользователей в чате с поддержкой
  • Компьютерное зрение. Делаем безопасную авторизацию по лицу, оживляем фотографии для реалистичной анимации, распознаем документы и многое другое
  • Рекомендательные системы. Учимся предугадывать желания пользователей, чтобы предлагать им именно то, что нужно
  • Речевые технологии. Автоматизируем голосовое общение между бизнесом и клиентами
  • ML-антифрод. С помощью алгоритмов оберегаем пользователей от мошенников, оперативно замечая подозрительные действия в личном кабинете
  • Предиктивные технологии. Прогнозируем будущее клиентов, чтобы помогать им контролировать финансы.

Почему Т-Банк?

  • Делаем жизнь миллионов людей лучше — ассистент Олег, социальная сеть Пульс, персонализированная lifestyle экосистема, предиктивные интерфейсы для finance management
  • Даем возможность как закинуть наработки в прод на миллионы пользователей, так и делать исследования в своей области
  • Развиваем и делимся опытом по всем областям ML: CV, NLP, RecSys, Speech и Time Series. Проводим внутреннием семинары, обсуждаем последние новости AI
  • Есть выстроенные процессы и инфраструктура Т-Банка, но с отсутствием бюрократии больших организаций
  • Фокус внутри компании на разработке в области искусственного интеллекта
  • Есть лаборатория на Физтехе, с которой можно и нужно делать коллаборации
  • Мало легаси и большой impact каждого разработчика

Обязанности:

  • Изучение научных статей, генерирование гипотез, постановка экспериментов на их основе и донесение результатов до команды
  • Улучшение качества моделей в различных сценариях
  • Ускорение работы моделей с применением современных методов оптимизации и архитектур
  • Написание воспроизводимого кода, оформление экспериментов в воспроизводимые пайплайны, включающие разметку и обработку данных, обучение моделей и валидацию системы в целом

Требования:

  • Опыт разработки моделей машинного обучения с использованием современных DL фреймворков (Tensorflow, Pytorch, Keras, etc) и применения их в продакшене
  • Глубокое понимание принципов работы современных алгоритмов машинного обучения
  • Высокий уровень знания Python
  • Умение декомпозировать задачу в переиспользуемые и тестируемые библиотеки и компоненты
  • Хорошая теоретическая подготовка в областях математики, алгоритмов и структур данных, прикладной статистики
  • Умение самостоятельно изучать научные статьи на английском языке и желание ставить эксперименты на их основе
  • Практические знания Linux, Git, Bash, Docker

Мы предлагаем:

  • Оплату участия в топ AI конференциях 2-3 раза в год
  • Работу в офисе. График работы — гибридный
  • Платформу обучения и развития Т-Банк Апгрейд. Курсы, тренинги, вебинары и базы знаний. Поддержка менторов и наставников, помощь в поиске точек роста и карьерном развитии
  • Заботу о здоровье. Оформим полис ДМС со стоматологией и страховку от несчастных случаев. Предложим льготное страхование вашим близким
  • Компенсацию такси и 50% затрат на спорт от стоимости абонемента
  • Компенсацию обедов. А если захотите перекусить, есть кухня с чаем, кофе и фруктами
  • Достойную зарплату — обсудим ее на собеседовании
  • Возможность работы в аккредитованной ИТ-компании
Сайты компаний
СБЕР

Data scientist (Middle)

СБЕРАвтоподнятие
Зарплата не указанаРоссияМоскваГибрид

Команда «Мотивационный профиль» создает новый подход к работе с клиентом, который позволит перейти от классической персонализации к более глубокому пониманию человека на основе психологии. Мы извлекаем из данных психометрические характеристики — ценности, страхи, особенности характера и принятия решений — и используем их в продуктах банка и экосистемы.

Для построения мотивационного профиля мы используем анкеты, подробные интервью, поведенческие и транзакционные данные. Работаем с известными психометрическими методиками и подходами, разработанными исследовательской командой. Одна из ключевых задач — научиться надежно определять психометрические характеристики на ограниченных выборках, масштабировать их на широкую клиентскую базу и использовать в рекомендательных сценариях и моделировании клиентских реакций.

  • работать с таргетами, полученными из анкет и интервью с помощью экспертной и LLM-разметки

  • подбирать постановку задачи в зависимости от объема и качества данных: supervised learning, weak supervision, few-shot и другие подходы

  • сравнивать методы моделирования — от rule-based решений и классического ML до моделей на основе embeddings и LLM

  • обучать модели для предсказания психометрических и поведенческих характеристик клиента

  • масштабировать характеристики, доступные для ограниченной выборки клиентов, на широкую клиентскую базу

  • оценивать модели как по стандартным ML-метрикам, так и по тому, насколько хорошо их результаты работают в прикладных сценариях - сегментации, персонализации и моделировании поведения клиента

  • работать с неструктурированными данными, в том числе с текстами глубинных интервью

  • строить пайплайны обработки текста: чанкинг, построение эмбеддингов, кластеризация и извлечение признаков

  • сопоставлять информацию из текстов с поведенческими и транзакционными данными

  • проверять качество разметки и данных, анализировать смещения выборки и устойчивость полученных признаков

  • оценивать репрезентативность обучающей выборки и возможность переноса результатов на широкую клиентскую базу.

  • опыт работы Data Scientist / ML Engineer от 2–3 лет

  • уверенное знание Python и стандартного DS/ML-стека: pandas, numpy, scikit-learn, CatBoost / LightGBM / XGBoost

  • опыт построения supervised ML-моделей для табличных данных

  • хорошее понимание задач классификации, регрессии и ранжирования

  • опыт работы с текстовыми данными и NLP: embeddings, sentence-transformers, кластеризация, классификация текстов, семантический поиск

  • понимание основных подходов к работе с LLM: prompting, few-shot, zero-shot, LLM-разметка и оценка качества LLM-ответов

  • умение проектировать метрики и схемы offline-валидации для нестандартных задач

  • умение работать с неоднозначными таргетами, шумной разметкой и неполными данными

  • уверенная работа с большими данными

  • способность переводить бизнес-гипотезу в ML-задачу: формализовать постановку, определить требования к данным и метрикам, учесть ограничения и сформулировать критерии успешности

  • умение понятно объяснять результаты как ML-специалистам, так и продуктовой команде.

  • комфортный современный офис рядом с м. Кутузовская

  • возможность выбрать удобный график – офис/гибрид

  • ежегодный пересмотр зарплаты, годовая премия

  • корпоративный спортзал и зоны отдыха

  • более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

  • программа адаптации и помощь руководителя на старте

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

  • гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ

  • подписка Прайм с возможностью совместного использования на трёх близких

  • вознаграждение за рекомендацию друзей в команду Сбера.

Сайты компаний
СБЕР

Data Scientist (AmazMe)

СБЕРАвтоподнятие
Зарплата не указанаРоссияНижний НовгородОфис

Мы – команда экспертов, объединенных общей страстью к искусственному интеллекту и рекомендательным системам (RecSys). Нашей главной задачей является создание современной, масштабируемой рекомендательной платформы, способной предвосхищать ожидания пользователей и предлагать персонализированные рекомендации на каждом этапе их взаимодействия в Сбер.

Наши решения охватывают широкий спектр отраслей: от финансов и e-commerce до индустрии развлечений и здравоохранения. Если вам близка идея участия в развитии рекомендательной системы, которая помогает миллионам пользователей, присоединяйтесь к нам!

  • поиск подходящих ML решений для решения бизнес-задач, проведение оффлайн и онлайн (А/Б) экспериментов

  • разработка и улучшение ML-пайплайнов для задач RecSys: подготовка данных, обучение моделей, валидация и внедрение

  • анализ и работа с большими объёмами данных на PySpark

  • исследование и применение актуальных методик в области Data Science, Machine Learning и RecSys

  • взаимодействие с командой разработки и аналитики, генерация гипотез, участие в обсуждении решений и донесение результатов своей работы до команды.

  • опыт работы в области Data Science от 1 до 3 лет

  • интерес к рекомендательным системам, желание развиваться и постепенно брать на себя больше ответственности

  • практические навыки решения ML-задач: от подготовки данных и выбора алгоритмов до настройки гиперпараметров и оценки качества моделей

  • хорошая база в алгоритмах машинного обучения и интеллектуальном анализе данных; опыт применения классических ML- и/или DL-подходов будет преимуществом

  • хорошее знание Python и основных DS-фреймворков (PyTorch, PySpark и др.), понимание принципов написания качественного кода

  • способность самостоятельно разбираться в новых подходах, читать технические материалы на английском и применять их на практике.

Будет плюсом:

  • навыки работы с генеративными AI-моделями

  • опыт создания AI-агентов и использования их в работе будет преимуществом

  • опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов

  • инструментальное владение AI для анализа, генерации и автоматизации.

  • гибридный/офисный формат работы (опционально). Офис расположен по адресу Нижний Новгород, Октябрьская, 35 лит. А

  • ежегодный пересмотр зарплаты, квартальная и годовая премия

  • корпоративный спортзал и зоны отдыха

  • более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

  • программа адаптации и помощь руководителя на старте

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

  • гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ

  • подписка Прайм с возможностью совместного использования на трёх близких

  • вознаграждение за рекомендацию друзей в команду Сбера.

Соц.сети

Senior Machine Learning Engineer (Computer Vision)

Зарплата не указанаНе указана странаЛокация не указанаУдалёнка

📑 Senior Machine Learning Engineer (Computer Vision)

Удалённо · Контракт, B2B (работа независимым подрядчиком со своим юрлицом)

💎 •••••••• ищет Senior ML CV инженера для технического лидерства в AI Mosaic — продакшн-продукте компьютерного зрения, который автоматически накладывает точную, плотно прилегающую мозаику на видео, заменяя ручную покадровую маскировку автоматизированным результатом в тот же день. Продукт уже работает в продакшене и обрабатывал контент для крупных японских дистрибуционных платформ. Роль шире реализации: улучшать пайплайн, находить точки роста и вести изменения, двигающие продукт вперёд. Задачи: развёртывать и постоянно улучшать продакшн ML-пайплайны AI Mosaic; исследовать и улучшать CV-алгоритмы автоматической цензуры контента и точной генерации мозаики; развивать алгоритмы high-resolution video matting, сегментации и плотной маскировки; разрабатывать алгоритмы пространственно-временного извлечения и трекинга ROI для точной и стабильной маскировки между кадрами; развивать алгоритмы понимания видео, детекции релевантных областей и распознавания движения там, где это улучшает качество маскировки; повышать точность моделей, скорость обработки, стабильность и масштабируемость для high-resolution видео и пакетных нагрузок; проактивно находить технические и продуктовые улучшения и доводить их от гипотезы до продакшена; работать с продуктовыми и инженерными командами, превращая обратную связь и бизнес-запросы в практичные ML-решения.

🧩 Требования: подтверждённый опыт разработки и деплоя CV-моделей в продакшене с самостоятельным владением сложными ML-решениями; сильные навыки программирования на Python и уверенное знание структур данных и алгоритмов; умение строить расширяемые, воспроизводимые и поддерживаемые ML-пайплайны; продуктовое мышление и способность связывать технические улучшения с потребностями пользователей и измеримым эффектом; проактивность в поиске и инициировании улучшений; степень BSc в Computer Science, математике или смежной области. Техстек: обязательно — PyTorch, PyTorch-Lightning, MLflow, эксперимент-трекинг; сильно желательно — camera intrinsics; из стека компании — Python, C++, Unity, DVC, OpenCV, AirFlow, Qdrant, Redis, MongoDB, RabbitMQ, Feast, а также PHP, C#, Go, WebGL, K8s. Будет плюсом: опыт из техстека (C++ и др.), деплой на edge-устройства (мобильные, VR-гарнитуры), создание шейдеров (GLSL, HLSL и др.), степень MSc в CS или математике.

🌐 ••••••••

🔮 •••••••• — бесплатно постим IT-вакансии

hh.ru
team.inno / фабрика инноваций и решений

Machine Learning Engineer/Data Scientist (ML/DS)

team.inno / фабрика инноваций и решенийАвтоподнятие
Зарплата не указанаБеларусьМинскОфис

Team.Inno – одна из наиболее опытных белорусских компаний в области полного цикла разработки, внедрения и поддержки программного обеспечения, бизнес-анализа, дизайна, тестирования и управления проектами

За 18+ лет мы реализовали более 1600 проектов в разных отраслях для заказчиков из США, Канады, Великобритании, Германии, Франции, Италии, Японии и других стран. Наша команда специализируется на 40+ бизнес-доменах, включая Artificial Intelligence, Machine Learning, Augmented & Virtual Reality

Сейчас Team.Inno объединяет 3500+ специалистов, которые работают в офисах компании в Беларуси, Польше, Литве, Грузии и Германии. Мы постоянно ищем опытных и начинающих специалистов, а с 2025 предлагаем обучение на бесплатных онлайн-курсах для всех, кто хочет начать карьеру в IT

У нас можно пробовать себя на проектах разного масштаба, менять направления и выбирать карьерные треки. Присоединяйся!

Наши ожидания:

  • Уверенное владение Python;

  • 2+ года профессионального и коммерческого опыта в разработке и применении практик Data Science, NLP и Computer Vision (всех или некоторых) для решения бизнес-задач; знакомство с современными (SOTA) моделями и передовыми подходами в области;

  • Глубокие знания ML/AI-фреймворков (TensorFlow, PyTorch, Scikit-learn), алгоритмов (supervised, unsupervised, reinforcement learning) и техник (feature engineering, оптимизация моделей, подбор гиперпараметров);

  • Опыт разработки решений на базе крупных языковых моделей (LLM), Retrieval-Augmented Generation (RAG), построения интеллектуальных агентов, применения методик MCP и других современных AI-подходов;

  • Понимание работы с big-data-платформами (Spark, Hadoop) и облачными сервисами (AWS, Azure, Google Cloud) для масштабируемого деплоя;

  • Базовые навыки DevOps, включая работу с CI/CD, основы Linux и Docker;

  • Опыт построения MLOps-процессов: автоматизация жизненного цикла ML-моделей (обучение, деплой, мониторинг), управление версиями данных и моделей (MLflow, DVC), настройка пайплайнов (Kubeflow, Airflow), A/B-тестирование;

  • Опыт использования Git для управления версиями кода и коллаборации;

  • Степень бакалавра или магистра в областях компьютерных наук, data science, математики, статистики или смежных дисциплин;

  • Навыки командной работы с продукт-менеджерами, аналитиками данных и бизнес-лидерами;

  • Владение английским и/или немецким (и другими) языками на уровне не ниже B2.

Будет плюсом

  • Сертификаты в областях ML, data science или облачных платформ (например, AWS Certified Machine Learning Specialty, Google Cloud ML Engineer или Microsoft Certified: Azure Data Scientist Associate);

  • Знание современных AI инструментов и опыт их использования в работе.

Мы предлагаем:

Обучение и развитие:

  • Большой пул разноплановых проектов в таких сферах, как FinTech, Medicine, Entertainment, eCommerce, Gaming, Artificial Intelligence и пр.;

  • Минимум легаси; короткий бенч;

  • Широкий стек технологий, возможность перехода между ними;

  • Индивидуальные карты роста и регулярный пересмотр условий (роли на проекте, уровня ЗП);

  • Подготовку к собеседованиям с зарубежными заказчиками на английском языке.

Рабочая среда:

  • Формат работы в офисе;
  • Просторные и комфортные рабочие места;
  • Подробный онбординг: знакомство с командой, процессами и правилами, экскурсия по офису, welcome card;
  • Уютные кухни, игровые комнаты, коворкинги, лаунж-зоны.

⠀Дополнительные бонусы:

  • Добровольное медицинское страхование;
  • Скидки у компаний-партнеров (от пиццерий и книжных до магазинов бытовой техники).

Если ты ищешь реальные возможности реализовать себя, управлять профессиональным и карьерным ростом – будем рады видеть тебя в нашей дружной команде!

Создание рабочего места планируется в перспективе.

hh.ru
адв

Data Scientist (Middle-Senior)

адвАвтоподнятие
Зарплата не указанаРоссияМоскваУдалёнка

Привет! Меня зовут Елизавета, я HRBP Points Lab. Веду кандидатов от отклика до оффера и слежу, чтобы наши ожидания совпали с твоими.

О нас

Points Lab строит модели, которые показывают брендам, откуда берутся их продажи: сколько дает реклама в каждом канале, промо, цена, сезон. По этим расчетам компании из FMCG, фармы и ритейла планируют бюджеты. Через наши модели прошло больше 7 млрд рублей рекламных бюджетов, модель собираем за 3 дня вместо классических 3 недель. Мы резиденты Сколково и ИНТЦ МГУ, в команде около 40 человек.

Сейчас расширяем команду моделирования и ищем трех дата-сайентистов уровня от Middle до Senior. Зарплатные ожидания готовы обсуждать на основе твоего уровня.

Ключевые задачи

  • Модели продаж: строить и улучшать маркетинг-микс модели продаж брендов. Основная категория FMCG.
  • Выбор подхода: подбирать алгоритм под задачу клиента и объяснять, почему выбран именно он. Одного рецепта на все случаи у нас нет.
  • Развитие методов: искать и проверять новые алгоритмы моделирования, дорабатывать модели, которые уже работают в продукте.
  • Аналитика: готовить аналитические выводы по результатам моделей.

Требования

  • Уверенный Python 3.8+, понимание алгоритмов и структур данных.
  • Обработка данных в Pandas или Polars, Git, Linux.
  • Статистика на уровне, который позволяет проверить модель, а не только обучить ее.
  • Модели временных рядов (ARMA, ARIMA и производные) и ML-подходы к прогнозу: случайный лес, градиентный бустинг, CatBoost.
  • Опыт построения маркетинг-микс моделей и аналитических отчетов на их основе.

Будет плюсом

  • Опыт с байесовскими моделями: PyMC, Stan.
  • Plotly и Dash.

Почему у нас интересно

Твоя модель попадает в продукт и в интерфейс клиента, а по ее результатам руководители брендов решают, куда пойдут деньги. Свои идеи по методам можно предлагать и проверять: если подход работает лучше текущего, он идет в продукт.

Что мы предлагаем

  • Оклад соотносится с уровнем, выплаты 5 и 20 числа.
  • График: 5/2 с 10:00 до 19:00 по Москве, гибрид или удаленно. Город и часовой пояс не важны.
  • Оформление: по ТК РФ, испытательный срок 3 месяца. После него ДМС. Доплата по больничному до 100%, обучение за счет компании.

Как проходит найм

  • Короткий звонок со HR
  • Собеседование с руководителем направления онлайн
  • Оффер
Соц.сети

Старший разработчик LLM Inference Optimization

Зарплата не указанаРоссияМосква

Старший разработчик в команду LLM Inference Optimization в ••••••••

Наша команда развивает направление оптимизации инференса LLM на GPU ••••••••. Мы повышаем эффективность использования оборудования и помогаем продуктовым командам запускать модели с учётом профиля нагрузки, качества и метрик производительности.

Что предстоит делать:
— проводить нагрузочное тестирование моделей по запросам продуктовых команд и оптимизировать их под конкретные сценарии использования;
— развивать методику оценки производительности LLM на нашем оборудовании: бенчмарки, инструменты и мониторинг;
— регулярно замерять производительность, отслеживать выход новых моделей и поддерживать таблицу результатов;
— тестировать новые GPU и сопровождать их настройку вместе с командами инфраструктуры и платформы инференса;
— масштабировать оптимизации на весь парк моделей: спекулятивное декодирование, мульти-LoRA, распределённый инференс, переход на новые инференс-бэкенды;
— доводить изменения до продакшена по циклу - профилировать, оптимизировать, тестировать, внедрять при подтверждённых метриках;
— запускать LLM-модели с использованием платформы инференса.

Кого мы ищем:
— оптимизировали LLM-модели с учётом профиля нагрузки;
— работали с инференс-фреймворками LLM: vLLM, SGLang, TensorRT-LLM и другими, запускали и настраивали их, подбирали параметры;
— знаете, как устроен LLM-инференс, и понимаете методы оптимизации: prefill и decode, KV-кеш, batching, спекулятивное декодирование, квантизация;
— знаете принципы работы GPU: память, пропускная способность, утилизация, NVLink, конфигурации с несколькими GPU;
— профилировали GPU и работали с инструментами для мониторинга;
— проводили нагрузочное тестирование и бенчмаркинг LLM-моделей: latency, TTFT, TPOT, throughput, и тд, умеете корректно сравнивать результаты и делать выводы;
— работали с Docker, Kubernetes, метриками и дашбордами Prometheus, Grafana;
— готовы внедрять изменения в продакшен, поддерживать их и объяснять результат продуктовым командам.

Будет плюсом
— писали или оптимизировали CUDA-кернелы, понимаете SIMT и архитектуру GPU NVIDIA;
— внедряли спекулятивное декодирование, мульти-LoRA-сервинг или распределённый инференс;
— работали с роутингом и балансировкой с учётом KV-кеша: llm-d, NVIDIA Dynamo, Mooncake или аналогами;
— знаете C++ или Go;
— следите за статьями и проектами с открытым исходным кодом по ускорению инференса и быстро проверяете идеи на практике.

Условия сотрудничества:
— Москва
— расширенная забота о здоровье: ДМС, страхование жизни, онкострахование;
— сервис психологической поддержки, а также финансовые, юридические и ЗОЖ-консультации для вас и ваших близких;
— корпоративный спорт: групповые тренировки, велбиинг-приложение;
— спецпредложения от партнёров и скидки на сервисы ••••••••: бронирование жилья, услуги продвижения, ипотечное страхование;
— компенсация питания;
— инженерная свобода для реализации масштабных задач;
— продуктовый подход к инфраструктуре, который базируется на метриках;
— сильное инженерное комьюнити, готовое поддержать и поделиться опытом;
— эффективные инструменты для роста и развития: матрица компетенций, внутреннее обучение, менторство и обмен опытом.

Как откликнуться:
— ••••••••

Лучшие вакансии от работодателей мечты на ••••••••
••••••••

Сайты компаний
vk

Инженер машинного обучения

vkАвтоподнятие
Зарплата не указанаРоссияМоскваГибрид

Мы — команда, которая строит и развивает LLM-агентов для поддержки пользователей и внутренних бизнес-процессов. Делаем решения под ключ: от прототипов и экспериментов до промышленных сервисов с мониторингом качества, метриками и стабильной эксплуатацией.

Работаем на стыке ML/LLM и backend-разработки: проектируем пайплайны, интегрируемся с продуктами и инфраструктурой, строим RAG-системы и агентные сценарии, измеряем качество (precision/recall/F1, macro-F1), ведём эксперименты и улучшаем модели на данных. Используем Python, LangGraph/LangChain-подходы, Langfuse для наблюдаемости, Git и внутренние платформы хранения/обработки данных (в том числе YTsaurus), а также очереди и хранилища (Kafka/Redis).

Задачи

  • Разрабатывать и развивать LLM-агентов: сценарии, инструменты (tools), оркестрацию, память, маршрутизацию, обработку ошибок и fallback-логики
  • Проектировать и внедрять RAG: индексация, эмбеддинги, ретриверы, ранжирование, чанкинг, оценка качества поиска и ответа
  • Интегрировать агентные решения в прод: сервисы, API, взаимодействие с Kafka/Redis и другими компонентами инфраструктуры
  • Настраивать наблюдаемость и контроль качества: логирование/трейсинг, Langfuse, дашборды, алерты, анализ деградаций
  • Проводить офлайн/онлайн-оценку качества: считать precision/recall/F1/F1-macro, строить датасеты, проводить A/B или квазиэксперименты, формулировать гипотезы улучшений
  • Участвовать в улучшении пайплайнов данных и экспериментов: подготовка данных, разметка/валидация, хранение и воспроизводимость
  • Писать поддерживаемый код: ревью, тесты, документация, CI/CD, участие в архитектурных решениях

Требования

  • Уверенный Python (проектирование модулей, типизация, тестирование, работа с API/сервисами)
  • Практический опыт работы с LLM/agentic-подходами: промптинг, tool calling, цепочки/графы, управление контекстом, обработка галлюцинаций и ограничений моделей
  • Понимание и опыт оценки качества: precision/recall/F1, macro-F1, построение датасетов и интерпретация метрик
  • Опыт построения или внедрения RAG (retrieval, embeddings, индексация, ранжирование, чанкинг, оценка retrieval-качества)
  • Опыт разработки и эксплуатации сервисов: REST/gRPC, асинхронность, логирование, мониторинг, работа с Git
  • Понимание очередей/кешей/хранилищ (Kafka, Redis или аналоги), опыт интеграций

Будет плюсом

  • Опыт с LangGraph/LangChain, Langfuse (трейсинг, промпт-менеджмент, датасеты, evaluation)
  • Опыт с YTsaurus или другими распределёнными системами хранения/обработки данных
  • Опыт low-code/конструкторов пайплайнов и быстрых прототипов, доведение их до production
  • Знание подходов к ранжированию, rerank, hybrid search, query rewriting, guardrails/safety
  • Опыт A/B-тестов, построения продуктовых метрик и причинно-следственного анализа
  • Опыт работы с контейнеризацией и деплоем (Docker/K8s), CI/CD
hh.ru
ozon

Инженер Computer Vision, направление разработки аппаратных проектов

ozonАвтоподнятие
Зарплата не указанаРоссияИннополисГибрид

Привет! Мы команда разработки аппаратных проектов.

Мы делаем устройства, которые улучшают складские процессы в Озоне и ищем в свою команду CV инженера на проект "Разработка автоматических устройств измерения ОВХ товаров и постингов".

Вы будете

  • Разрабатывать и поддерживать решения на основе компьютерного зрения для измерения габаритов товаров;
  • Настраивать камеры и работать с SDK устройств;
  • Разрабатывать микросервисы - Python, Docker;
  • Проводить интеграции с внутренними системами заказчиков;
  • Работать с ML моделями;
  • Покрывать фичи тестами;
  • Анализировать эффективность существующих решений, оценивать внедрение новых алгоритмов.

Нам важно

  • Высшее образование (техническое, математическое);
  • Знание Python 3;
  • Навыки разработки качественного кода с применением паттернов ООП;
  • Базовое знание теории алгоритмов и структур данных;
  • Знание алгоритмов компьютерного зрения: классические и ML подходы;
  • Знание git;
  • Знание английского языка на уровне чтения технической литературы.

Будет плюсом

  • Знание методов 3д реконструкции по фото и стерео зрения, основ проективной и эпиполярной геометрии, опыт работы с 3д облаками точек;
  • Знание основных принципов и алгоритмов машинного обучения (регрессия, нейросети, градиентный спуск);
  • Опыт применения алгоритмов детекции, классификации и сегментации изображений;
  • Навыки разработки на C++;
  • Опыт работы с БД и знание SQL;
  • Опыт работы с web (бэкенд или фронтенд);
  • Опыт написания качественных unit тестов.
hh.ru
x5 tech

Middle/Senior Data Scientist/ML Engineer в направление RecSys

x5 techАвтоподнятие
Зарплата не указанаРоссияМоскваОфис

X5 – ведущая российская продуктовая розничная компания, которая управляет магазинами нескольких торговых сетей: магазинами «у дома» «Пятёрочка», супермаркетами «Перекрёсток» и «жёсткими» дискаунтерами «Чижик». X5 занимает лидирующие позиции в e-commerce, цифровые бизнесы компании включают 5Post и X5 Digital.
Под управлением X5 находится более 30 тыс. магазинов (Пятерочка, Перекресток, Чижик), а также более 5 тыс. точек подключённых к программе франчайзинга под брендом «ОКОЛО».
X5 является одним из крупнейших российских работодателей. На сегодняшний день в компании работают 375 тыс. сотрудников. По итогам 2025 года Х5 вошла в топ-3 рейтинга лучших работодателей России по версии HeadHunter.

X5 Tech - IT-компания и основной цифровой партнер торговых сетей и бизнесов X5 Group. Команда из более 5000 специалистов разрабатывает решения, которые помогают 372 тысячам сотрудников группы работать с максимальным технологическим комфортом, а миллионам покупателей быстро и удобно покупать свежие продукты.

Мы команда, которая работает над задачами поиска и рекомендательных систем в компании.

Команде предстоит создавать модели по требованиям от внутренних бизнес-заказчиков, определять метрики и критерии успеха, обеспечивать жизненный цикл моделей. Глобальная задача для команды - повысить качество работы рекомендательных систем во всех бизнесах X5.

Чем предстоит заниматься:

  • Участвовать в разработке моделей для продуктивной среды;
  • Строить модели машинного обучения, улучшать качество;
  • Писать код, проводить code-review;
  • Предлагать способы оптимизации и совершенствования существующих инструментов.

Что ждем от кандидата:

  • Знание Python;
  • Опыт работы в рекомендательных системах/поиске;
  • Опыт работы в роли mle/ds от 5ти лет;
  • Знание теоретических и практических продвинутых методов машинного обучения;
  • Знание SQL, знакомство с hadoop-стэком;
  • Опыт работы с docker, kubernetes, pyspark, kafka, postgres, airflow;
  • Наличие опыта вывода разработанных решений в прод.

Мы предлагаем:

  • Официальное оформление с белой ЗП, ежеквартальные премии по результатам работы;
  • Удобный офис с бесплатной парковкой на м. «Волгоградский проспект» / МЦД «Калитники». Офис БЦ Оазис
  • Гибкий график работы (с 8/9/10 утра) / График работы: 5/2, с 9:00 до 18:15 (в пятницу — до 17:00);
  • Возможность работать удалённо или в гибридном формате;
  • Широкий пакет ДМС (включая выезд за рубеж и стоматологию), страхование жизни и здоровья;
  • Возможность учиться и развиваться за счёт компании: внешние тренинги и семинары по профессиональным тематикам, участие в крупнейших конференциях страны, программы развития цифровых и управленческих навыков (Цифровая академия, Школа Тимлидов), онлайн и офлайн мастер-классы, корпоративный университет «X5 Полка», школа наставников и многое другое;
  • Программы мотивации для спикеров и авторов: внутренняя школа Speak Up School, Write Up, ачивки и баллы за выступления, подготовка спикеров к крупнейшим конференциям страны, сообщество авторов на Хабре, возможность шерить опыт с комьюнити внутренних и внешних экспертов;
  • Обмен опытом через cообщества: 12 технических комьюнити от java до devops;
  • Яркая корпоративная жизнь с большим количеством мероприятий, конкурсов и возможностей для творческой реализации: регулярные внутренние митапы, демо-дни, открытые микрофоны, день IT-специалиста, программы волонтерства, корпоративное предпринимательство X5 Idea Challenge.

Присоединяйся к команде X5 Tech, чтобы создавать будущее ритейла вместе с нами!

Эта вакансия также есть на:Getmatch
Сайты компаний
т-банк

Риск-аналитик в команду лизинга

т-банкАвтоподнятие
Зарплата не указанаРоссияМоскваГибрид

Мы — команда портфельного менеджмента Т-Лизинга. Отвечаем за развитие подходов к управлению портфелем: ищем возможности для роста, выстраиваем новые стратегии принятия решений и оптимизируем действующие.

В работе соединяем финансовую и риск-аналитику: развиваем NPV- и PD-модели, анализируем доходность и риски разных сегментов, запускаем продуктовые тесты и оцениваем их результаты. На основе данных и моделей помогаем принимать решения о дальнейшем развитии лизингового портфеля.

  • Строить, поддерживать и развивать финансовые NPV- и LTV-модели
  • Адаптировать модели под изменения лимитно-тарифной политики и финансовых параметров: капитала, фондирования, МПН, МПЛ и резервов
  • Рассчитывать и анализировать метрики доходности продукта
  • Анализировать сегменты портфеля с точки зрения рисков и доходности, находить зоны роста
  • Учитывать результаты скоринговых моделей при построении NPV- и LTV-моделей
  • Строить и обновлять поведенческие кривые для финансовых моделей
  • Рассчитывать стресс-сценарии развития продукта с помощью NPV- и LTV-моделей
  • Проектировать и проводить продуктовые тесты, анализировать результаты
  • Взаимодействовать с командами бизнеса, финансов, разработки и юристами
  • Знаете математическую статистику и теорию вероятностей на продвинутом уровне, умеете применять A/B-тесты
  • Знаете альтернативные методы проверки гипотез: базовые ML-подходы, когортный анализ, синтетический контроль и другие
  • Уверенно работаете с SQL и Python
  • Понимаете механику работы финансовых продуктов, например кредитных, страховых или дебетовых
  • Умеете анализировать данные о процессах, например взыскании или верификации
  • Будет преимуществом: умение оценивать качество скоринговых моделей и калибровать их, понимание методологии NPV/LTV, финансовых потоков продукта и влияния поведенческих характеристик на них, знание метрик IRR и ROE, практический опыт построения или адаптации NPV/LTV-моделей под новые продукты, оценки влияния продуктовых изменений на модель, построения логики принятия решений с помощью NPV/LTV и проведения стресс-тестов финансовых моделей
  • 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
Сайты компаний

Senior ML-инженер в CVM

Автоподнятие
Зарплата не указанаУзбекистанТашкентУдалёнка
Текст:
Оригинал доступен только пользователям с подпиской

Локация

Удалённая работа из любой точки мира либо офис в Ташкенте; в исходных данных также указана Москва.

О компании

Крупная e-commerce-платформа, где маркетинговый бюджет распределяется через промо-механики и программу лояльности.

Команда Customer Value Management отвечает за то, чтобы предложения приносили измеримый инкремент, а не скидку тем, кто купил бы и так.

Что нужно делать

  • Развивать uplift-модели промо: повышать качество и покрытие, сравнивать подходы вроде meta-learners и causal forests, валидировать офлайн через Qini/AUUC и онлайн
  • Оптимизировать распределение бюджета между пользователями с учётом ограничений и размена между GMV и маржой
  • Строить Next Best Offer: переходить от выбора получателя промокода к решению, что, по какому каналу и когда предложить — пуш, бесплатная доставка, механики лояльности
  • Доводить наработки до продовой системы с регулярным переобучением, мониторингом, fallback-логикой и разбором инцидентов, запускать и анализировать A/B-тесты
  • Работать с маркетинговой аналитикой от постановки задачи до измеримого эффекта: считать инкремент и юнит-экономику, защищать решения перед маркетингом и коммерцией

Требования

  • 4+ лет в ML/DS с обучением моделей и выводом их в прод
  • Опыт uplift-моделирования или causal inference, а также дизайна, запуска и анализа A/B-экспериментов
  • Сильный Python и SQL; стек включает pandas/polars, NumPy, scikit-learn, CatBoost/LightGBM, MLFlow, ClickHouse, Trino, Spark, Airflow, Git, Docker/Kubernetes, GrowthBook
  • Понимание юнит-экономики (GMV, выручка, contribution margin) и умение объяснять результаты бизнесу и договариваться о целях и метриках
  • Плюсом будет опыт в CVM, промо или программах лояльности, задачи оптимизации при ограничениях и e-commerce
Сайты компаний
СБЕР

Senior Research Engineer (LLM Pretraining)

СБЕРАвтоподнятие
Зарплата не указанаРоссияМосква

Мы занимаемся pretrain'ом больших языковых моделей в GigaChat: проектируем архитектуру, подбираем рецепт обучения и поддерживаем весь инженерный контур вокруг него.

Недавно мы обучили MoE-модель на 700 миллиардов параметров — и на этом не собираемся останавливаться. Обучение идёт на кластерах H100 и B200. GigaChat — самый быстрорастущий проект Сбера, и pretrain — его ядро.

Чем занимается команда

  • Архитектура и законы масштабирования.
  • Рецепт обучения: оптимизаторы, расписание learning rate, нормализация, точность вычислений.
  • Устойчивость больших прогонов и ускорение сходимости.
  • Диагностика обучения и оценка изменений с опорой на математический аппарат.
  • Инженерный контур: воспроизводимость, тесты, CI/CD.
  • Роль с акцентом на модель, оптимизацию и инфраструктуру обучения, а не на данные. Главная цель — делать обучение быстрее, надёжнее и предсказуемее.

Какие задачи стоят перед командой

  • Ускорение цикла «идея → эксперимент → вывод → внедрение».
  • Снижение количества ручных прогонов и неочевидных сбоев, повышение воспроизводимости и прозрачности результатов.
  • Повышение надёжности больших прогонов.
  • Ранняя диагностика деградаций и отделение реальных улучшений от ложных сигналов (расхождение, NaN, коллапс энтропии, артефакты маршрутизации, ложное снижение функции потерь).
  • Обеспечение безопасного масштабирования при внедрении крупных архитектурных изменений.
  • Анализ влияния сложных архитектур (например, mixture of experts и маршрутизация) на качество, стабильность и скорость обучения.
  • Определение и развитие метрик, корректно отражающих изменения в обучении моделей.

Почему мы

Масштаб - 700B MoE уже обучена, дальше — больше. Кластеры на H100 и B200.

Публикации. Можно и нужно писать статьи по результатам своей работы — это не ограничивается.

Команда - в России нет другой команды, которая занимается pretrain'ом на таком масштабе. Коллеги — люди, которые глубоко разбираются в теме.

Влияние. Вы берёте направление целиком. Это не «выполнять задачи из бэклога», а самостоятельно определять, что важно, и доводить до результата.

  • Взять на себя целое направление внутри pretrain'а и развивать его: от постановки задач и планирования экспериментов до внедрения результатов в основное обучение.

  • Проектировать и проводить эксперименты: формулировать гипотезы, запускать абляции, сравнивать подходы, разбираться в результатах и превращать выводы в решения для основного обучения.

  • Разбираться с нестабильностью на больших прогонах: искать причины деградаций, строить диагностические метрики, предлагать изменения в оптимизаторе, расписании lr, нормализациях, инициализации, клиппинге, точности вычислений и маршрутизации.

  • Работать с архитектурой смеси экспертов (MoE): маршрутизатор, балансировка нагрузки, переполнение, артефакты маршрутизации, влияние на качество и производительность.

  • Поддерживать большие прогоны и продолжения обучения с чекпоинтов: следить за дрейфом, проверять изменения в коде и конфигурации, снижать риск регрессий.

  • Улучшать инженерное качество контура обучения: ревью критичных изменений, стратегия тестирования, воспроизводимость экспериментов, профилирование и устранение узких мест.

  • Глубокое понимание устройства обучения нейросетей: не на уровне обзоров и пересказов, а на уровне, где вы можете объяснить, почему конкретный прогон расходится, глядя на кривые функции потерь, нормы градиентов и энтропии.

  • Способность самостоятельно взять направление и довести его до результата: от чтения статей и постановки гипотез до внедрения в основной трейн.

  • Практический опыт с PyTorch и именно с обучением моделей, а не только с инференсом.

  • Умение доводить исследовательские идеи до надёжного инженерного решения: воспроизводимость, конфиги, тесты, автоматизация, понятные критерии качества.

  • Хорошую инженерную культуру: аккуратные PR, профилирование, внимание к качеству кода, понятные отчёты об экспериментах.

Будет плюсом

  • Опыт со смешанной точностью и распределённым обучением.

  • Опыт построения систем оценки моделей или инфраструктуры для экспериментов.

  • Удалённо.

  • Возможность оформления в аккредитованную IT-компанию.

  • Годовая премия по итогам работы до 6 окладов.

  • Регулярный пересмотр зарплат.

  • Корпоративный спортзал и зоны отдыха.

  • Более 400 программ СберУниверситета для роста.

  • Программа адаптации и помощь руководителя на старте.

  • Крупнейшее DS&AI community — более 600 DS банка, регулярный обмен знаниями, опытом и лучшими практиками, интерактивные лекции и мастер-классы от ведущих ВУЗов и экспертов технологических компаний, дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира, регулярные внутренние митапы.

  • Расширенный ДМС, льготное страхование для семьи, корпоративная пенсионная программа.

  • Ипотека для сотрудников по дисконтной программе.

  • СберПрайм+ и скидки у партнёров.

  • Бонус за рекомендации в команду

Сайты компаний
СБЕР

Руководитель направления ML Pretrain Multimodal LLM

СБЕРАвтоподнятие
Зарплата не указанаРоссияМосква

Мы развиваем GigaChat и ищем сильного руководителя направления ML pretrain больших языковых моделей. Недавно мы обучили MoE-модель на 700 миллиардов параметров и не собираемся останавливаться — обучение идёт на кластерах H100 и B200, а pretrain является ядром самого быстрорастущего AI-проекта Сбера.

Это роль для человека, который возьмёт на себя архитектурную часть pretrain: design моделей, законы масштабирования, выбор и адаптация attention / MoE / позиционных схем, а также все архитектурные решения, которые определяют, какой именно будет следующая флагманская модель GigaChat.Нам нужен не просто менеджер, а сильный технический руководитель, который способен глубоко погружаться в детали, самостоятельно собирать ключевые части решения и доводить архитектурные идеи до реального роста качества модели на масштабе.

  • Развивать архитектуру моделей GigaChat

  • Определять, как должна развиваться архитектура pretrain-моделей: какие направления наиболее важны, как измерять прогресс и что в первую очередь ограничивает рост качества модели.

  • Проектировать архитектуру флагманских моделей и отвечать за ключевые архитектурные решения: attention, позиционные схемы (RoPE и варианты), нормализации, активации, инициализация.

  • Развивать MoE-архитектуру: маршрутизация, балансировка экспертов, устойчивость маршрутизатора, влияние на качество и производительность.

  • Работать с long-context и мультимодальностью на уровне архитектуры: что именно нужно менять в модели, чтобы эти возможности работали стабильно.

  • Изучать и применять законы масштабирования

  • Проводить scaling-эксперименты и на их основе принимать решения по размеру модели, ширине / глубине, числу и размеру экспертов, размерам батча и длительности обучения.

  • Предсказывать, как архитектурные изменения поведут себя при переходе с небольших абляций на полный масштаб.

  • Определять и развивать метрики, которые корректно отражают архитектурные изменения в обучении моделей.

  • Определять, в каких случаях архитектурные изменения действительно дают прирост качества по сравнению с более простыми baseline'ами, а в каких — нет.

  • Анализировать стабильность архитектурных решений

  • Разбираться с нестабильностью на больших прогонах со стороны архитектуры: почему конкретная конфигурация расходится, где проявляются артефакты маршрутизации, коллапс энтропии, неустойчивости в attention.

  • Предлагать изменения в нормализациях, клиппинге, точности вычислений и структуре блоков, которые делают обучение более предсказуемым.

  • Обеспечивать безопасное масштабирование при внедрении крупных архитектурных изменений в основной трейн.

  • Писать ключевой код и оставаться сильным исследователем

  • Самостоятельно писать и дорабатывать архитектурные компоненты и абляции.

  • Делать надёжные и воспроизводимые эксперименты: понятные версии данных, конфиги, сравнение запусков, контроль деградаций.

  • Читать статьи, воспроизводить ключевые результаты и адаптировать лучшие идеи под наши задачи и инфраструктуру.

  • Оставаться сильным инженером и исследователем, а не только руководителем: при необходимости самому разбирать узкие места в коде, экспериментах и настройках обучения.

  • Руководить сильной технической командой

  • Руководить командой исследователей и инженеров, работающих над архитектурой, задавать высокую планку по качеству решений, скорости работы и глубине проработки.

  • Помогать команде превращать архитектурные идеи в работающие решения, которые можно встроить в основной цикл обучения.

  • Удерживать баланс между глубиной исследований, инженерной надёжностью и практическим результатом для модели.

  • Отличное владение Python и PyTorch.

  • Глубокое понимание устройства обучения нейросетей: не на уровне обзоров, а на уровне, где вы можете объяснить, почему конкретная архитектурная конфигурация расходится, глядя на кривые функции потерь, нормы градиентов и энтропии.

  • Глубокое понимание архитектуры LLM: Transformer, attention (MHA/GQA/MLA), RoPE и варианты позиционных эмбеддингов, нормализации, инициализации, long-context, MoE.

  • Практический опыт с обучением больших моделей (а не только инференсом) и проведением архитектурных абляций.

  • Способность самостоятельно взять направление и довести его до результата: от чтения статей и постановки гипотез до внедрения в основной трейн.

  • Умение ставить гипотезы, проектировать эксперименты и принимать решения на основе результатов.

  • Опыт руководства сильной технической командой и готовность лично писать важные части системы руками.

Будет плюсом

  • Опыт работы с MoE-архитектурами: маршрутизатор, балансировка нагрузки, переполнение, артефакты маршрутизации.

  • Опыт проведения scaling-экспериментов и работы с законами масштабирования.

  • Опыт работы с long-context и мультимодальными расширениями LLM.

  • Опыт работы с distributed training (5D-параллелизм: DP/TP/PP/EP/SP) и large-scale инференсом.

  • Публикации, open-source вклад или сильный прикладной research track record.

  • Понимание современных open-source стеков для обучения больших языковых моделей.

  • Сильные и сложные задачи на переднем крае развития русскоязычных LLM.

  • Большую степень влияния на архитектуру решений, методы обучения и качество итоговой модели.

  • Команду сильных инженеров и исследователей.

  • Возможность совмещать управление направлением с глубокой технической работой.

  • Конкурентную компенсацию, премии и расширенный соцпакет.

Эта вакансия также есть на:hh.ru
Сайты компаний
СБЕР

Teamlead Data Science

СБЕРАвтоподнятие
Зарплата не указанаРоссияМоскваОфис

Мы создаем сервисы кредитования в Сбербанке, позволяющие клиентам быстро и удобно получать кредиты онлайн. Клиент может подать заявку на получение кредита через мобильное приложение или WEB, получить одобрение всего за две минуты и мгновенно перевести средства на свою банковскую карту или счет, без необходимости посещать отделение банка лично.

Наш проект постоянно развивается. Мы планируем улучшать клиентский опыт и развивать наши сервисы внедряя механики динамического ценообразования.

Работа в нашей команде позволит вам принять участие во всех этапах разработки высоконагруженных распределённых систем, начиная от проектирования и заканчивая внедрением в промышленную эксплуатацию. Вы сможете активно влиять на создание новых продуктов и улучшение существующих бизнес-процессов, применяя современные технологии и подходы.

Возможность углублять знания и улучшать навыки в области современного программирования и управления проектами.

Комфортные условия труда - современное оборудование и стабильность занятости в одной из крупнейших финансовых организаций страны.

Присоединяйтесь к нашей команде и станьте частью инновационного процесса, создающего удобные решения для миллионов пользователей по всей России!

Первый этап отбора на эту вакансию — общение с AI-рекрутером. После отклика ждите сообщение от него, диалог займёт примерно 10 минут. Задача AI-рекрутера — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. AI-рекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным для всех!

  • руководство командой DS (продуктовый и исследовательский треки) плюс собственная инженерная работа — от архитектуры ML/AI-решений до инструментов для fine-tuning LLM

  • управление командой DS: постановка и декомпозиция задач, приоритизация, контроль качества

  • менторство, код-ревью, стандарты разработки и исследований; участие в найме

  • архитектура ML/AI-решений, обоснование выбора методов и моделей

  • разработка инструментов fine-tuning LLM (LoRA/QLoRA): подготовка датасетов, пайплайны обучения, оценка качества

  • разработка и валидация ML-моделей, feature engineering, вывод в production

  • исследовательские гипотезы, дизайн экспериментов, статистическая оценка, прототипы новых подходов

  • предложения по решению бизнес-задач аналитическими методами, консультирование заказчика, презентация результатов.

  • одинаково уверенная работа как исследователь/моделист и как инженер, доводящий AI-решения до работающего продукта

  • алгоритмы и структуры данных на уровне понимания внутреннего устройства, а не вызова библиотек: базовые (сортировки, поиск, деревья, графы, динамическое программирование, оценка сложности), классический ML (линейные модели, градиентный бустинг, SVM, кластеризация), DL (обратное распространение, оптимизаторы SGD/Adam, механизмы внимания, трансформеры), LLM-инженерия (токенизация BPE, LoRA/QLoRA, ANN-поиск)

  • умение разобрать алгоритм по статье и реализовать в коде

  • готовность самостоятельно разрабатывать скиллы и тулы для LoRA/QLoRA-адаптации LLM

  • Data Scientist / ML-инженер — от 4–5 лет

  • техническое лидерство или менторство — от 1–2 лет

  • вывод моделей в production и их сопровождение; исследовательская работа

  • Python (scikit-learn, pandas, numpy, PyTorch), SQL/PostgreSQL

  • классический ML, валидация моделей, статистика, математическое моделирование

  • NLP/LLM: трансформеры, Hugging Face Transformers, LLM API, LangChain; промпт-инжиниринг, RAG

  • практический опыт обучения нейронных сетей: трансформеры + минимум 2–3 типа архитектур (CNN, RNN/LSTM, VAE, RL-агенты)

  • MLOps: ML-пайплайны, Docker, FastAPI, Git, воспроизводимость экспериментов

  • готовность проводить код-ревью и давать развивающую обратную связь

  • способность понятно объяснять технические решения нетехнической аудитории

  • постановка задач команде, оценка трудоёмкости; готовность развивать управленческие навыки в процессе.

Будет плюсом:

  • XAI, большие данные (PySpark, Hive, HDFS), банковская / финансовая сфера

  • опыт построения модели, давшей измеримый бизнес-эффект (метрики, выручка, экономия ресурсов)

  • участие в соревнованиях Kaggle или аналогичных.

  • гибридный формат работы (4 дня офис) на Кутузовском, 32к1

  • ежегодный пересмотр зарплаты, квартальная и годовая премия

  • более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

  • программа адаптации и помощь руководителя на старте

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

  • гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ

  • подписка Прайм с возможностью совместного использования на трёх близких

  • вознаграждение за рекомендацию друзей в команду Сбера.

Сайты компаний
ozon

Data Scientist, Поиск по изображениям

ozonАвтоподнятие
Зарплата не указанаРоссияМосква

Привет! Эта команда Поиск по изображениям!

Мы создаем технологии, которые позволяют пользователям находить товары по фото - правильно, интуитивно и blazingly fast! Для этого мы исследуем современные решения в области компьютерного зрения и машинного обучения, тестируем открытые модели и обучаем свои. Наши решения проходят путь от исследовательской гипотезы до production-сервиса, которым пользуются миллионы пользователей.
Если тебе интересно создавать новый продукт на стыке CV и NLP, а также влиять на пользовательский опыт, присоединяйся к нам!

Наш стек

  • Python, PyTorch, NNs(Transformers, CNNs, RNNs, FCNs), LoRA/qLoRA, DDP, FSDP, ONNX, Scikit‐learn, Polars, Numpy, PySpark, Clickhouse, Git, Rest API, Kubernetes, S3.

Вы будете

  • Заниматься обучением, валидацией и имплементацией sota подходов для задач компьютерного зрения (Векторизация, детекция, сегментация, OCR).

  • Исследовать доступные данные, заниматься генерацией гипотез по улучшению поиска по фото.

  • Работать с большими мультимодальными языковыми моделями (LLaVA, QwenVL, DeepSeekVL, etc).

  • Планировать, выполнять и анализировать АБ-тесты.

Нам важно

  • Опыт работы в Data Science от 3-х лет.

  • Опыт DL от года.

  • Уверенные теоретические знания ML/DL.

  • Знание основных алгоритмов и структур данных.

  • Хорошее знание Python.

  • Опыт разработки и (или) вывода в продакшн ML/DL алгоритмов.

Будет плюсом

  • Призовые места в соревнованиях по DS.

  • Практический опыт в компьютерном зрении.

Сайты компаний
ozon

Старший Data Scientist, Ранжирование

ozonАвтоподнятие
Зарплата не указанаРоссияМосква

Привет! Мы команда Ранжирование.
Наша команда отвечает за качество поисковой выдачи Ozon. Мы развиваем ML-модели ранжирования, которые ежедневно помогают миллионам пользователей находить наиболее релевантные товары и напрямую влияют на пользовательский опыт, конверсию и продажи.

Мы ищем Senior Data Scientist, который усилит направление Learning to Rank и поможет развивать одну из самых высоконагруженных ML-систем компании.

Вы будете

  • Развивать алгоритмы ранжирования поисковой выдачи и улучшать качество поиска.

  • Строить модели, повышающие релевантность, конверсию и пользовательский опыт.

  • Анализировать поисковые и поведенческие данные, находить точки роста качества моделей.

  • Проводить A/B-тесты и принимать решения на основе данных.

  • Развивать production ML-пайплайны: обучение, деплой, мониторинг и переобучение моделей.

  • Исследовать и внедрять современные подходы в области Ranking, Search и Information Retrieval.

  • Участвовать в принятии ключевых технических решений внутри команды.

Примеры задач

  • Разработка и улучшение Learning to Rank моделей для поисковой выдачи.

  • Применение transformers, embeddings и deep learning-подходов для ранжирования.

  • Оптимизация баланса между релевантностью, бизнес-метриками и пользовательским опытом.

  • Анализ результатов экспериментов и поиск новых направлений для улучшения поиска.

  • Построение и развитие end-to-end ML-решений от исследования до production.

Нам важно

  • Опыт работы в Data Science / Machine Learning.

  • Понимание алгоритмов Learning to Rank и задач ранжирования.

  • Опыт работы с современными ML-подходами: embeddings, transformers, representation learning.

  • Сильная база в статистике, экспериментальном анализе и A/B-тестировании.

  • Опыт разработки production ML-систем и работы с большими объемами данных.

  • Уверенное владение Python.

Будет плюсом

  • Опыт в поиске, рекомендациях, рекламе, маркетплейсах или e-commerce.

  • Практический опыт построения LTR-систем.

  • Опыт работы с CatBoost, XGBoost, LightGBM, PyTorch.

  • Опыт использования Kubernetes, Spark, Airflow или Kafka.

  • Интерес к современным исследованиям в области Ranking, Information Retrieval и Recommender Systems.

Сайты компаний
яндекс

Yandex Research ML Residency

яндексАвтоподнятие
Зарплата не указанаНе указана странаЛокация не указана

Программа ML Residency — это возможность принять участие в исследованиях мирового уровня в сфере машинного обучения.

Организаторы программы — Yandex Research и ВШЭ. Резиденты смогут заниматься прикладными и теоретическими исследованиями в области машинного обучения, работать над сложными проектами, публиковаться на NeurIPS, ICML, ICLR, CVPR и других ведущих научных конференциях, вносить вклад в высокотехнологичные сервисы. Участники программы будут сотрудничать с коллегами из Яндекса, ведущих мировых университетов и корпоративных лабораторий и смогут посещать курсы по машинному обучению в Школе анализа данных.

Резиденты будут работать вместе с исследователями Yandex Research, которые выступят в роли наставников и кураторов. Совместно они выберут одну из проблем в области компьютерного зрения, речевых и диалоговых систем, обработки естественного языка или другой области машинного обучения, а затем разработают решение этой проблемы. Результатами работы могут стать научные публикации, внедрение в продукты Яндекса или проекты с открытым кодом.



Чем вы будете заниматься:
* Развивать техническое и теоретическое понимание современного машинного обучения
* Изучать литературу по машинному обучению и погружаться в выбранную область
* Учиться выявлять новые проблемы и предлагать их решения
* Развивать навыки академического письма и устных выступлений

* Специалист с любым уровнем подготовки — от студента в области машинного обучения до опытного исследователя из смежных дисциплин, например: математики, физики, химии, компьютерных наук или лингвистики
* Имеете хорошее фундаментальное образование, искренне увлечены машинным обучением и мечтаете изменить мир к лучшему

* Студенты ВШЭ могут засчитать участие в ML Residency в качестве своей магистерской или кандидатской диссертации
* Участие в программе оплачивается
* График работы обсуждаем индивидуально с каждым кандидатом


Подробнее о программе

Другие площадки
компания скрыта (банк)
200k–240k ₽РоссияМоскваГибрид

Ищем начинающего специалиста в команду внедрения искусственного интеллекта в крупном финансовом институте.

Мы строим платформу с нуля: агентизация процессов, большие языковые модели (LLM), автоматизация рутины для бизнеса.

Это реальный шанс для Junior-специалиста с опытом от 6 месяцев попасть в стадию Discovery, поработать с современным стеком и вырасти в сильного инженера под руководством наставников.

Стек и инструменты

  • Python, SQL
  • LLM, RAG, MCP
  • AI-агенты, мультиагентные системы

Задачи

  • Адаптировать и дорабатывать AI-решения на Python под задачи бизнеса.
  • Помогать в разработке автономных агентов и мультиагентных систем.
  • Писать SQL-запросы для выгрузки и подготовки данных.
  • Взаимодействовать с заказчиками: собирать требования, объяснять возможности AI.
  • Участвовать в создании платформенной среды для бизнес-пользователей.

Требования

  • Коммерческий опыт работы от 6 месяцев (стажировки с погружением в боевые задачи тоже считаем).
  • Понимание принципов работы LLM, RAG, промт-инжиниринга.
  • Уверенное чтение кода на Python, умение запускать и модифицировать скрипты.
  • Базовый SQL.
  • Желание развиваться в инженерии AI и внедрении моделей в прод.
  • Готовность общаться с бизнесом и презентовать свои решения.

Мы предлагаем

  • Работу над продуктом с нуля в стратегически важном направлении банка.
  • Наставничество и поддержку сильных экспертов из IT-команд.
  • Гибкий график и комфортный формат работы: комбинированный (офис 1–2 раза в неделю + удаленка).
  • Полный социальный пакет: ДМС со стоматологией с первого месяца, оплачиваемый отпуск 28 дней, 3 отгула в год, льготные продукты банка.
  • Доступ к внутренним программам обучения и конференциям.
Соц.сети
twinby

Team Lead ML (RecSys)

twinby
Зарплата не указанаРоссияСанкт-ПетербургУдалёнка

Ищем Team Lead ML (RecSys) в департамент Data & ML — играющего тренера, который отвечает за рекомендательную систему и другие ML-проекты продукта.

Чем предстоит заниматься:

Владеть рекомендательной системой end-to-end: кандидатная генерация, ранжирование, ре-ранжирование, cold start, exploration — для двустороннего дейтинг-продукта, где выдача должна устроить обе стороны.

Отвечать за онлайн-результат: цель и метрики, мониторинг качества и дрейфа, откаты и разбор деградаций; A/B-эксперименты ведёшь вместе с продуктовым аналитиком, который отвечает за дизайн и статистику тестов.

Брать смежные ML-проекты: Trust & Safety (боты и фермы, фрод, модерация, liveness), монетизация и retention (churn, uplift, персональные офферы), NLP по чатам (токсичность, спам, мошеннические сценарии).

Строить команду и процесс.

Работать с дата-платформой и аналитикой.

Писать код сам там, где это даёт максимальный рычаг: дизайн и ключевые модели, критичные пайплайны, ревью.

Что мы ждём:

Опыт production-рекомендательных систем — система в проде, за онлайн-результат которой ты отвечал (лента, ранжирование, каталог, матчинг).

Deep learning на практике: PyTorch (или эквивалент), нейросетевое ранжирование и retrieval (two-tower, sequence-модели, multi-task), обучение на больших данных, оптимизация инференса.

NLP: современные модели для текста (трансформеры, эмбеддинги, fine-tuning), классификация и ранжирование по пользовательскому тексту — токсичность, спам, мошеннические сценарии, поиск похожего.

Классический ML рядом с DL: градиентный бустинг (CatBoost / LightGBM), фичи, оценка; умение выбрать простое решение, когда глубокое не нужно.

Уверенный Python, умение написать и вывести модель в прод; понимание, почему офлайн-метрика не равна онлайн-эффекту (смещения, петля обратной связи, дрейф).

Инстинкт доверия к данным: мониторинг, воспроизводимость, версионирование, тесты на данные.

Будет плюсом:

Опыт лидерства: вёл людей (формально или как техлид), нанимал, растил, выстраивал процесс.

Опыт онлайн-экспериментов для рекомендаций (интерференция, долгосрочные эффекты, мощность) — дизайн тестов на нашей стороне ведёт продуктовый аналитик, но понимание ценно.

Reciprocal-рекомендации, двусторонние рынки (job-платформы, маркетплейсы, такси, дейтинг).

Опыт Trust & Safety / антифрода (боты, фрод, модерация, liveness), computer vision.

Опыт монетизации: uplift, churn, бандиты по офферам.

Опыт с ClickHouse, Airflow, векторным поиском.

Публикации, доклады, менторство.

Что предлагаем:

Реальное владение: рекомендательная система и ML-портфель продукта — твои.

Возможность построить ML с честного фундамента: сначала доверенные данные и метрики, потом модели.

Автономия в том, как устроены ML-процесс и команда; цели и приоритеты обсуждаешь с Head of Data.

Богатая фактура дейтинга: взаимность, перекос по полу, безопасность живых людей, чат, монетизация.

Трудоустройство по ТК РФ.

Формат работы - удаленный.

✉️ Откликнуться в тг: @tati_it

✉️ Откликнуться в тг: @tati_it
Эта вакансия также есть на:hh.ru

Смотрите также в каталоге

Хотите персональную подборку?

Введите свои критерии — мы отфильтруем вакансии по вашим требованиям

Найти подходящие вакансии →