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.
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.
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.
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.
#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: ••••••••
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
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
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.
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.
📑 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
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.
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
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 ••••••••
••••••••
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
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.
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!
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
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
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
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.
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.
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.
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.
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
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.
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
Смотрите также в каталоге
Хотите персональную подборку?
Введите свои критерии — мы отфильтруем вакансии по вашим требованиям
Найти подходящие вакансии →