Data Science & ML — свежие вакансии

Наша команда исследует и разрабатывает ML-модели персонализации для рекомендательных сервисов. Мы делаем трансформеры поверх пользовательской истории, они являются важной частью рекламных технологий и рекомендаций в Маркете.

В последнее время область рекомендательных систем становится всё ближе к NLP: при обучении мы разделяем стадии претрейна и SFT, видим похожие законы масштабирования моделей и обучаемся на сотнях GPU. Но есть и важные отличия: в сервисах динамически меняется множество рекомендуемых сущностей, а мощность этого множества может достигать порядка 10^9. Помимо этого, каждое пользовательское событие несёт в себе гораздо больше информации, чем один текстовый токен.

Наша цель — объединить лучшее из двух миров — RecSys и NLP — и улучшить конкретные продукты нашими технологиями.

Наша R&D-команда разрабатывает передовые рекомендательные технологии, которые используются в масштабах всего Яндекса. Мы ищем сильного ML-инженера, который будет исследовать новые подходы в рекомендациях и доводить их до продуктового состояния. Если вы хорошо знаете DL, ориентируетесь в современном RecSys или NLP и внедряли нейросети в продакшен — ждём вас!

Претрейн или обучение восстановлению логирующей политики

В любом зрелом сервисе уже работает достаточно качественная рекомендательная система, так что на первом этапе модель должна научиться хорошо повторять существующие рекомендации. Для этого мы экспериментируем с данными, архитектурой, лоссами и другими аспектами.

SFT

После претрейна модель обучается на пользовательском фидбэке, чтобы ранжировать релевантных кандидатов и выбирать среди них наилучшие. Среди открытых вопросов в этой области: каков предел качества модели в конкретной постановке задачи, как выглядят законы масштабирования в разных доменах и какие дальнейшие пути улучшения стоит исследовать.

Адаптация моделей для продакшена

Важный челлендж для нас — заставить модели работать в рантайме под высокой нагрузкой в десятки тысяч RPS. Мы активно исследуем архитектурные оптимизации и используем специализированные фреймворки для инференса, а иногда даже пишем свои cuda-кернелы на Triton.

Возможность развития вширь

Как R&D-команда, мы не ограничены одним продуктом или одной технологией. При желании можно погрузиться в разные сервисы или попробовать другие подходы в рекомендациях.

Больше об ML в Яндексе — в канале Yandex for ML

* Хотите заниматься прикладными ML-исследованиями
* Хорошо знаете основы современного Deep Learning
* Умеете превращать научные статьи в код: реализовывали SOTA-методы и алгоритмы

* Имеете опыт внедрения нейросетей в продакшен
* Следите за трендами в RecSys, NLP или CV и регулярно читаете статьи
* Занимались спортивным программированием, участвовали в ML-соревнованиях или хакатонах

Инференс LLM в масштабе — это сложная инфраструктурная задача: GPU работают на пределе, возникают сетевые задержки, возможны сбои оборудования. Мы создаём решения, чтобы эти события минимально влияли на доступность и latency нашего сервиса инференса.

Оптимизация инференсных движков

Вам предстоит повышать эффективность и снижать latency при выполнении LLM-инференса на GPU.

Развитие инструментов диагностики

Вы будете создавать и улучшать инструменты для быстрого выявления и устранения инфраструктурных проблем, которые влияют на стабильность и скорость инференса.

Исследование и внедрение

Вам предстоит работать с методами оптимизации инференса (квантованием, прунингом) и современными подходами к параллелизации.

* Владеете C++ и Python: имеете уверенные навыки низкоуровневого программирования и оптимизации
* Работали с GPU (NVIDIA) и CUDA: понимаете архитектуру GPU, разрабатывали или оптимизировали алгоритмы под CUDA
* Глубоко понимаете архитектуру Transformer: знакомы с внутренними механизмами (attention, FFN, нормализацией) и их реализациями
* Знаете подходы к параллелизации: понимаете Data Parallel, Tensor Parallel, Pipeline Parallel (желательно ещё Expert Parallel) для распределённого инференса или обучения
* Интересуетесь LLM и MLOps: понимаете задачи и вызовы, связанные с эксплуатацией больших моделей в продакшне
* Умеете эффективно работать в команде и делиться знаниями

* Работали с современными решениями для оптимизации инференса: vLLM, TensorRT-LLM (TRT-LLM) или sglang

Мы — команда GigaCode, разрабатываем и развиваем AI-ассистента для разработчика. Целимся конкурировать с Copilot, Cursor, Windsurf и прочими инструментами.

Обучаем новые SOTA LLM по работе с кодом, как на уровне подсказок в IDE, так и на уровне редактирования целого проекта. Мы R&D команда, поэтому мы не только заимствуем лучшие решения из публикаций, но и ведем собственные исследования, публикуем статьи, open-source инструменты и датасеты.

Наши основные направления: претрейн кодовых моделей с нуля, пост-тренировка моделей (SFT/DPO/GRPO), обучение рассуждающих моделей, дообучение работе в агентном режиме и использованию инструментов, поиск в коде по текстовым запросам, ускорение инференса, дизайн бенчмарков, автоматическое создание датасетов проверяемых задач.

Обучаем модели на картах H100, на кластере Кристофари, у нас много свободы в использовании GPU.

Обязанности

• дизайн экспериментов, формулировка гипотез для улучшения NLP/PLP моделей и алгоритмов, планирование исследовательских экспериментов с выводами
• проведение экспериментов, написание кода, подготовка датасетов и бенчмарков, проведение замеров и анализ результатов
• обучение моделей на кластере, включая обучение моделей с нуля и дообучение опенсорс моделей
• взаимодействие с прод-командой для интеграции моделей и алгоритмов в продакшн. Взаимодействуем с командой инженеров SberWorks
• ориентированность на SOTA, читать пейперы, быть в курсе последних исследований, предлагать новые смелые подходы и направления.

Требования

• хорошие теоретические знания в DL, с упором в современный NLP и трансформеры
• умение формулировать эксперименты с научной строгостью, обосновывать их, проводить самостоятельно и делать выводы
• опыт обучения трансформеров
• опыт распределенного обучения моделей (deepspeed, fsdp, torch.distributed, accelerate)
• знание стандартных библиотек для DL и NLP (PyTorch и библиотеки Huggingface)
• увлеченность NLP/PLP и DL
• опыт менторинга стажеров и младших коллег.

Будет плюсом:

• опыт работы на похожей позиции
• участие в соревнованиях по ML
• сабмиты на лидербордах по NLP/PLP
• публикации уровня А/A*, Q1
• обучение моделей на кластере
• опыт управления командой исследователей.

Условия

• комфортный современный офис рядом с м. Кутузовская
• гибридный формат работы
• ежегодный пересмотр зарплаты, годовая премия
• корпоративный спортзал и зоны отдыха
• система обучения для профессионального и карьерного развития
• расширенный полис ДМС с первого дня работы и страхование для семьи
• программа ипотеки для сотрудников
• подписка Прайм с возможностью совместного использования на трёх близких
• вознаграждение за рекомендацию друзей в команду Сбера.

MyStartups – дочерняя IT-компания Astana Motors, специализирующаяся на создании технологичных решений для оптимизации бизнес-процессов в разных сферах.

Требования:

• 2–3 года разработки ML/AI-решений, из них не менее 1 года — с LLM/RAG-системами в production.

• Опыт работы в командах с распределением задач (не соло-разработка).

• Портфолио реализованных проектов с измеримым результатом (метрики, нагрузка, количество пользователей).

• Понимание промпт-инжиниринга: few-shot, structured output, работа с системными промптами.

• Production-уровень Python (async/await, тестирование, чистая архитектура проекта).

• Уверенный уровень SQL и PostgreSQL.

• Английский язык не ниже B2 (для работы с документацией и моделями).

• Уверенное владение Docker, Docker Compose (опыт написания production Dockerfile).

• Опыт работы с CI/CD (GitHub Actions, GitLab CI).

• Опыт с системами кэширования (Redis) и объектными хранилищами (MinIO/S3).

• Понимание работы с GPU-инфраструктурой: multi-GPU setups, tensor parallelism, распределение ресурсов.

Будет большим плюсом:

• MLOps и Инфраструктура: Kubernetes, виртуализация (Proxmox или аналоги) для локальных ML-серверов.

• ML/DS: Понимание RLHF/DPO, классический ML (scikit-learn, NLP-задачи), базовый статистический анализ.

• Специфика: Опыт работы с казахоязычными или мультиязычными NLP-задачами.

• Оптимизация: Опыт вывода моделей на ограниченном железе (Apple Silicon, single-GPU) с оптимизацией throughput.

• Самостоятельное проектирование архитектуры и вывод ML-сервисов в промышленную эксплуатацию (от идеи до продакшена).

• Построение RAG-систем полного цикла: от парсинга и чанкинга документов до выдачи ответа с источниками.

• Развёртывание и инференс open-source LLM (Qwen, Llama и т.п.), настройка параметров инференса (batching, quantization, KV-cache).

• Проектирование схем, индексация и тюнинг поиска в векторных БД (pgvector, Milvus/Qdrant/Weaviate).

• Оценка качества генерации: контроль галлюцинаций (hallucination control), ручной и автоматизированный аудит, расчет метрик (faithfulness, relevance).

• Настройка стратегий ретрива (hybrid search, reranking, semantic chunking) и работы с embedding-моделями.

• Внедрение NL2SQL, структурированной генерации (JSON, function calling, tool use) и мультиагентных систем (оркестрация, MCP-серверы).

• Опционально: Fine-tuning/LoRA открытых моделей под доменные задачи, внедрение guardrails и модерации контента.

Инфраструктура и бэкенд:

• Разработка API-сервисов на FastAPI (Pydantic-схемы, async-эндпоинты) и построение дашбордов.

• Оптимизация SQL-запросов в PostgreSQL.

• Самостоятельная настройка CI/CD пайплайнов деплоя.

• Настройка мониторинга сервисов (Prometheus/Grafana: алерты и дашборды) и версионирования моделей/данных (MLflow, DVC).

• Координация задач в команде, техническое лидирование небольшой группы разработчиков.

• Декомпозиция задач и оценка сроков.

• Погружение в новые доменные области (юридические, HR, промышленные регламенты) для построения специфичных RAG-систем.

• Опционально: Подготовка технической документации и памяток для внутренних команд.

• Оформление по ТК РК с первого рабочего дня, полностью белая заработная плата.

• Конкурентный уровень дохода (обсуждается по итогам собеседования).

• Современный офис в Мега Центр (Розыбакиева) с гибридным графиком.

• ДМС для сотрудника и членов семьи после успешного прохождения испытательного срока.

• Оплата профильного обучения, сертификаций, участия в профессиональных конференциях и митапах.

• Предоставление современного рабочего оборудования (MacBook).

• Гибкое начало рабочего дня, отсутствие жесткого микроменеджмента и бюрократии.

• Сложные технические вызовы, современный стек технологий и реальная возможность влиять на архитектурные решения.

• Дружная команда профессионалов, регулярные внутренние технические митапы и knowledge sharing.

Сбер2В — система бизнес-сервисов под единым управлением. Вместе мы решаем комплексные задачи государства, бизнеса и регионов с помощью аналитики больших данных, искуственного интеллекта, автоматизации и ЭДО.

Мы в цифрах:
• 50+ собственных решений
• 1,2 млн клиентов малого бизнеса
• 40+ отраслей используют наши продукты
• 2,5 тыс. клиентов крупного бизнеса и госсектора

Наши технологии (аналитика больших данных, машинное обучения, визуализация) помогают бизнесу расти, а регионам — развиваться.

Чем предстоит заниматься:

• Разработкой AI агентов на основе современных генеративных сеток (GigaChat и OpenSource);
• Разработкой системы офлайн- и онлайн-метрик для оценки качества LLM-приложений;
• Следить за последними исследованиями и инновациями в области языковых моделей и применять их на практике.

Что для этого нужно:

• Опыт разработки AI агентов для компаний end-to-end от исследования до запуска в продакшн;
• Глубокое понимание архитектуры нейронных сетей, трансформеров и их применения в моделях LLM;
• Экспертное владение Python-библиотеками для AI/ML (PyTorch, Transformers, LangChain, LlamaIndex, LangGraph, pandas, NumPy, scikit-learn);
• Знание MLOps-инструментов (Docker, LangFuse, Ollama, vLLM);
• Высокий уровень знаний статистики (теорвер + матстат), глубоко понимает ключевые алгоритмы ML.

Что мы предлагаем:

• Работу в аккредитованной IT-компании;
• Удобный офис (м. Калужская, ул. Обручева 30/1 с.2);
• Ежегодный бонус по итогам работы;
• Подключение к ДМС, телемедицина, чек-ап – после прохождения испытательного срока;
• Ведение беременности и родов, лазерная коррекция зрения и стоматология после двух лет непрерывного стажа в группе Сбер;
• Специальные условия для страхования семьи;
• Возможность участия в корпоративной пенсионной программе;
• Корпоративное обучение;
• Бесплатную подписку на СберПрайм+ и скидки у партнёров;
• Новогодние подарки для детей, корпоративные мероприятия и поддержку в особых жизненных ситуациях;
• Скидки в спортклубы X-Fit, WorldClass.

Почему у нас классно работать:

• Видимый результат: твой вклад напрямую влияет на продукт и развитие компании;
• Минимизируем бюрократию, даем возможность проявлять инициативу;
• Есть возможность карьерного роста внутри команды или других подразделений;
• Вклад в развитие общества: наши исследования способствуют улучшению экономики регионов и качества жизни людей.

Мы верим в силу данных как инструмента позитивных изменений.

Мы ищем Senior Data Scientist в команду Availability (Доступность)

Обязанности

1. Вести ML-проекты end-to-end: постановка задачи → решение → тест → прод → поддержка

2. Совместно с дата инженерами формировать датасеты и требования к данным, оценивать реализуемость, риски и ограничения

3. Совместно с дата аналитиками участвовать в дизайне и анализе A/B-тестов: метрики, сплиты, интерпретация результатов, рекомендации по выкатке решений

4. Разрабатывать и обучать модели (classic ML + DL), в т.ч. решения на эмбеддингах текста и изображений; проводить offline-оценку и анализ ошибок

5. Передавать модель и код в продакшен (Python-сервис), сопровождать релизы и интеграции

6. Отвечать за качество модели после запуска: метрики, мониторинг, дрейф/деградации, план улучшений и регламенты поддержки

Бизнес домен:

1. Разрабатывать и внедрять модели, предсказывающие вероятность бронирования для каждого поискового запроса с учетом бизнес логики
2. Прогнозировать ключевые метрики (например, спрос, доступность объектов), чтобы проактивно улучшать пользовательский опыт
3. Анализировать большие объемы данных для поиска инсайтов, проверки продуктовых гипотез и понимания поведения пользователей

Требования

• От 4х лет на позиции Data Scientist
• Опыт ведения ML-проектов end-to-end в продакшене (от постановки до поддержки)
• Опыт с DL (PyTorch/TensorFlow): понимание принципов fine-tuning, инференс моделей
• Python (production-качество): читаемый код, тесты на критичные компоненты, понимание упаковки модели/артефактов и интеграции в сервис
• Понимание мониторинга ML: метрики качества, дрейф, алерты, диагностика и регламенты поддержки
• SQL на уровне самостоятельной сборки датасетов (joins, window functions)
• Опыт с интерпретируемостью и анализом ошибок модели
• MLflow / W&B / DVC или аналогичные инструменты трекинга экспериментов
• Разговорный английский на уровне В1 (Intermediate)

ML стек

• Классические алгоритмы машинного обучения
• Понимание базовых подходов ранжирования (pointwise, pairwise) и их применения на практике
• Будет плюсом опыт работы с временными рядами

Технический стек

• Python, Pyspark

Бизнес в Малайзии - это несколько независимых брендов, у каждого своя продуктовая линейка. Часть клиентских связей уже описана в графовой базе Neo4j, но пространство для улучшений здесь огромное - есть куда расти и что улучшать.

Помимо построения моделей вы будете заниматься исследовательскими адхоками: например, оценивать потенциал новых переменных или источников данных до того, как они попадут в продакшн.

1. Постановка задачи - вместе с заказчиком определяете цель модели: что значит «хорошая модель» в этом контексте и какие бизнес-проблемы она должна закрыть.

2. Работа с данными

   • для части источников переменные уже готовы;

   • сложные новые источники реализует команда дата-инженеров (ДЕ), а вы выступаете постановщиком задачи как внутренний заказчик;

   • часть источников на базовом уровне вы прорабатываете самостоятельно.

3. Моделирование - эксперименты, выбор и обоснование лучшей модели.

4. Внедрение - реализация модели в виде класса по шаблону на MLflow.

5. Мониторинг - постановка модели на мониторинг через собственный сервис компании.

• Полный цикл от идеи до продакшна и мониторинга - без разрыва между «наукой» и «внедрением».

• Прямую связь с бизнес-результатом: по каждой модели можно посчитать эффект.

• Разнообразие задач: от классического моделирования до исследовательских адхоков и оценки новых источников данных.

• Возможность пробовать новые подходы и технологии на реальных данных, а не в изоляции.

• Python (уверенное владение функциями, классами, ООП-подходом);

• Pandas, scikit-learn;

• SQL (индексы, оконные функции, CTE).

• Гибкость подходов к задачам;

• Желание пробовать новое и не бояться экспериментов;

• Умение увидеть новые возможности - в существующих данных или в state-of-the-art технологиях - и применить их к текущим процессам.

Мы предлагаем

• Участие в развитии международной финтех-группы.
• Международную команду и динамичную рабочую среду.

AI/ML Engineer / Generative AI Engineer

ARCHIDIGITAL ищет AI/ML-инженера для разработки интерактивных систем на базе локальных нейросетевых моделей.

Нам нужен специалист, который умеет самостоятельно разворачивать модели на локальных GPU-серверах, объединять языковые, голосовые и видео-модели в единую систему и оптимизировать их работу под минимальную задержку.

Текущая задача

Интерактивная инсталляция «Мягкий телефон Мишки».

Это детский телефон с микрофоном и динамиком для детского реабилитационного центра, подключенный к локальному серверу.

Пользователь говорит с персонажем Мишкой. Сервер должен принимать голос, распознавать речь, формировать ответ языковой моделью, синтезировать его голосом персонажа и возвращать аудио в телефон с минимальной задержкой.

Необходимо разработать серверную часть системы, включая:

прием и обработку аудиопотока
Speech-to-Text
работу локальной языковой модели
логику и контекст диалога
Text-to-Speech и имитацию голоса персонажа
потоковую обработку данных
API взаимодействия с устройством
оптимизацию end-to-end latency
стабильную работу системы на локальном сервере

Следующее направление работы — GENMIRROR

GENMIRROR — интерактивная система ARCHIDIGITAL для нейросетевой обработки видеопотока в реальном времени.

Специалист будет участвовать в дальнейшем развитии проекта: подключении новых генеративных моделей, построении и оптимизации локальных inference pipeline, работе с image и video моделями и развитии серверной архитектуры.

Основные требования

уверенный Python
PyTorch
Linux
Docker
CUDA и понимание работы GPU
опыт развертывания open-source моделей локально
понимание современных LLM
опыт работы со Speech-to-Text и Text-to-Speech
опыт с voice cloning или voice conversion
понимание streaming inference
умение строить системы из нескольких связанных AI-моделей
опыт оптимизации inference и задержки
понимание VRAM, quantization и управления GPU-ресурсами
умение самостоятельно изучать, запускать и интегрировать новые open-source модели

Будет преимуществом

опыт с Whisper, faster-whisper или аналогами
опыт с vLLM, llama.cpp, TensorRT, ONNX Runtime
опыт с современными TTS и voice cloning моделями
опыт с Stable Diffusion, FLUX или генеративными video-моделями
LoRA и fine-tuning
WebSocket, gRPC или WebRTC
опыт разработки realtime AI-систем

Кого мы ищем

Нам нужен инженер, способный работать не только с внешними API, а непосредственно с моделями, локальной инфраструктурой и GPU inference.

Важно уметь самостоятельно подобрать модель, развернуть ее, интегрировать в систему, оптимизировать и довести до стабильной работы.

Формат работы

Проектная работа с возможностью постоянного сотрудничества.

В отклике желательно прислать GitHub или примеры проектов и кратко описать опыт с локальными LLM, STT, TTS, voice cloning и GPU inference.

Мы аккредитованный системный интегратор, работаем с крупнейшими заказчиками по формату IT-аутстаффинга. Сейчас мы ищем опытных аналитиков, которые смогли бы усилить проекты наших клиентов.

• 3+ года коммерческого опыта в ML Engineering.
• Уверенный Python, опыт с scikit-learn, PyTorch или TensorFlow.
• Практический опыт построения и вывода ML-моделей в production.
• Хорошее понимание ML: feature engineering, model evaluation, tuning.
• Опыт с MLOps: Docker, CI/CD, ML pipelines, MLflow или аналоги.
• Опыт работы хотя бы с одним Cloud: AWS / Azure / GCP.
• SQL, Git, Linux.
• Будет плюсом: Kubernetes, Airflow, LLM/GenAI, Spark.
• Английский B2+.

Будет плюсом:

• Опыт построения масштабируемых ML-систем и ML-платформ.
• Практический опыт с LLM / Generative AI и современными подходами к работе с foundation models.
• Опыт работы с большими объёмами данных и распределёнными вычислениями.
• Знание Kubernetes и Infrastructure as Code для развёртывания ML-сервисов.
• Опыт построения data/ML pipelines и автоматизации ML lifecycle.
• Опыт работы с real-time ML systems и потоковой обработкой данных.
• Опыт в NLP, Computer Vision, Recommendation Systems или Time Series.
• Понимание A/B-тестирования и продуктовых ML-метрик.
• Опыт интеграции ML-моделей в существующие production backend-системы.

• График с 9:00 до 18:00 по МСК.
• Возможность быстрого карьерного роста.
• Трудоустройство в аккредитованной ИТ компании.
• Возможность профессионального и карьерного роста.
• Оформление по ИП (приоритет) или ТК РФ.
• Работа в дружном, сплоченном коллективе.

В отклике указывайте свой tg, желаемую заработную плату и вариант оформления.

Команда SberNBA занимается тремя большими направлениями:

• платформа коммуникаций и персональных предложений Сбера,
• поведенческая foundation model человека,
• бизнес направление коммуникаций от потребности клиента.

Цель команды – сделать управление коммуникациями проще и эффективнее за счет гибкости платформенных инструментов и GenAI, моделировать поведение человека на краткосрочном и долгосрочном горизонте и использовать эти данные в бизнес-процессах банка, помогать человеку закрывать потребности быстрее и проще.

• В роли CDS вы будете развивать команду и компетенции трайба на уровне DS экспертизы.

• Строить, развивать и реализовывать стратегию развития трайба в части ML/AI.

• Участвовать в создании кампейн платформы нового поколения, основанного на агентах.

• Развивать системы генерации персонализированного контента.

• Развивать Foundation Model (Трансформерная модель понимания клиента на основе его действий в банке и экосистеме Сбера) и рекомендательные модели.

• 10+ лет в DS / 5+ лет в промышленных RecSys в крупных компаниях

• Интеграция LLM в RecSys (RAG / генерация текста офферов)

• Опыт управления командой 10+ DS и развития ML экспертизы на уровне подразделения

• Успешный опыт реализации сложных и масштабных ML проектов с доказанным бизнес-эффектом

• Хорошие коммуникативные навыки, готовность договариваться и находить оптимальные решения

• Стратегическое мышление

• Амбициозность и ориентация на бизнес-результат

• комфортный современный офис рядом с м. Кутузовская

• ежегодный пересмотр зарплаты и годовая премия

• корпоративный спортзал и зоны отдыха

• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

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

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

• подписка Прайм с возможностью совместного использования на трёх близких

• вознаграждение за рекомендацию друзей в команду Сбера.

Напоминаю о том, что в нашу команду анализа данных идёт отбор кандидатов.🚀

Локация: г. Алматы. Фулл-тайм в офисе, удалёнки нет.

Сейчас ищем:

▪ Middle Data Scientist

▪ BI аналитик

▪ Junior+ / Middle Data Scientist — Antifraud

Что будет интересно:

— реальные бизнес-кейсы и задачи с высоким влиянием на процессы компании;

— работа с ML-моделями, аналитикой и data-driven подходом;

— сильная команда и возможность профессионального роста;

— участие в развитии направлений скоринга, antifraud, computer vision и BI-аналитики.

Будем рады как опытным специалистам, так и тем, кто хочет активно расти в Data-направлении 🚀

Если вам откликается, пишите в личные сообщения или отправляйте CV.

Также будем благодарны за рекомендации и репосты 🙌

• Разработка e2e data-сервисов на основе ML моделей с целью снижения Cost of Risk: online модели для оценки риски дефолта новых клиентов, антифрод модели, collection модели
• Регулярная проверка новых источников данных для для снижения Cost of Risk
• Подготовка презентаций для бизнес-пользователей
• Расчет финансового эффекта от моделей

• Работаешь на аналогичной позиции в финтехе/банках
• Промышленная разработка на Python, опыт разработки и внедрения скоринговых моделей, моделей коллекшен, антифрод моделей
• Понимание жизненного цикла моделей: от бизнес-задачи до мониторинга качества и retraining
• Умение тестировать внешние источники данных и рассчитывать экономику подключения/пилота
• Валидация моделей, знание ключевых метрик и аналитик
  Feature engineering
• Знание классических алгоритмов машинного обучения
• Опыт работы с одним из фреймворков Django/Flask/Fastapi
• Знание SQL на хорошем уровне
• Опыт работы с Git
• Знание математической статистики

• Работу в быстро растущей финтех компании с ярким свежим продуктом
• Оформление по ТК РФ/ИП (в случае удаленки)
• Быстрое влияние на бизнес-результат – нет бюрократии
• Облачные технологии: Yandex Cloud & AWS
• Аккредитованная IT компания
• Оклад + премия
• Возможность самим выбирать “железо” для работы
• Гибридный формат работы (4-3 дня из офиса)
• Открытую и простую коммуникацию внутри команды, без лишнего формализма
• Страховка после испытательного срока
• ДМС, обучение и т.п.

Третье Мнение - разработчик IT-решений для системы здравоохранения. Мы создаем продукты на базе технологий искусственного интеллекта, которые помогают автоматизировать процессы в медицинских учреждениях, ускорять принятие врачебных решений и повышать безопасность пациентов и медицинского персонала

Мы ищем NLP-инженера, который станет центром компетенций NLP-направления и будет развивать ML-продукты в медицинском домене

Чем предстоит заниматься:

• Развивать NLP/LLM-направление внутри продукта и быть техническим экспертом для команды
• Проектировать и улучшать ML-сервисы для обработки медицинских документов и текстов
• Работать с self-hosted LLM: подбор моделей, настройка inference, оптимизация параметров, оценка качества
• Строить LLM-пайплайны: RAG, обработка документов, извлечение сущностей, классификация, суммаризация и структурирование данных
• Анализировать метрики, проводить анализ ошибок и находить неочевидные причины деградации качества
• Сопровождать решения от экспериментов до production-интеграции, включая внедрение современных NLP/LLM-подходов и, в перспективе, дообучение моделей под медицинский домен

Будем рады видеть в новом коллеге следующее:

• Опыт работы в NLP / Deep Learning / LLM от 3+ лет и глубоко понимаешь классический ML, NLP, трансформеры и современные LLM-подходы
• Увереные знания и навыки Python, основными ML/NLP-фреймворками
• Понимание основ production-разработки: docker, git, linux, API, логирование, мониторинг
• Опыт интеграции LLM в прикладные или production-решения
• Понимание особенностей self-hosted open-source LLM: инференс, параметры, ограничения и оптимизацию
• Опыт в построении обучения моделей для классических NLP задач, например, NER или классификация
• Навыки проведения воспроизводимых экспериментов, анализ метрики и формирование решений на их основе, глубоко разбирать ошибки моделей и автономно доводить сложные задачи до результата, брать ответственность за технические решения и качество продукта

Будет плюсом:

• Опыт работы с медицинскими текстами или healthcare-продуктами
• Практический опыт fine-tuning LLM, LoRA/QLoRA или других методов адаптации моделей
• Опыт оптимизации LLM-инференса: quantization, batching, caching, latency optimization
• Опыт в OCR и мультимодальных решениях (текст + изображение)
• Опыт построения баз знаний, краулинга, обогащения и валидации данных
• Опыт менторинга ML/NLP-инженеров или развития технических практик в команде
• Наличие научных публикаций или участие в исследовательских проектах
• Опыт работы с графовыми базами данных

Что мы предлагаем:

• Работу в аккредитованной IT – компании, где налажена прямая связь с командой, руководителем и менеджментом компании в концепции полного доверия и максимальной прозрачности
• Официальное трудоустройство по ТК РФ и предоставление всех обязательных гарантий
• Конкурентный и полностью официальный уровень дохода
• Стандартный отпуск 28 календарных дней и дополнительно еще 3 календарных дня за ненормированный рабочий день
• Программу ДМС после прохождения испытательного срока в лучших клиниках, а также возможность подключить близких родственников к корпоративному страхованию на льготных условиях
• Удобную и современную технику для эффективной работы

Наша команда развивает навыки решения STEM-задач в Alice AI VLM — мультимодальной модели, которую только в Алисе используют уже миллионы. Мы не боимся трогать pretrain, плотно занимаемся разработкой RL-подходов, в том числе для развития reasoning-способностей модели. Нам важно создавать технологию, которая будет полезна для продукта: учить модель строить решения, понятные для пользователей и потребляющие при этом минимальное количество токенов.

Приходите к нам, если хотите решать самые интересные и сложные задачи индустрии для продукта с многомиллионной аудиторией.

Строить сложные reward-функции

Мы не ограничиваемся RLVR для проверки качества ответа, а экспериментируем с масштабируемыми reward-функциями, которые учитывают разные особенности и элементы ответов. Вам предстоит решать вопросы качества и скорости обучения, бороться с reward hacking.

Развивать базовую умность модели

STEM в мультимодальности — это не только про знание теоремы Пифагора или решение задач. Это про понимание сцены на изображении (различные электрические схемы, геометрические рисунки и т. д.) и знание графических концептов.

Создавать новые датасеты

Одно дело решать текстовые задачи, а другое — когда всё условие (или его часть) находится на изображении. Для создания мультимодальных датасетов нужны многоступенчатые пайплайны, учитывающие разнообразие и сложность тематик. Вам предстоит создавать такие пайплайны и строить качественные датасеты.

Развивать направление вширь

Наша команда уделяет много времени Alice AI. Вместе с нами трудится сильнейшая команда разработчиков бэкенда и фронтенда, аналитиков продукта и контроля качества, продуктовых менеджеров. В такой коллаборации часто рождаются новые инсайты и выявляются точки роста, которые можно превратить в задачи и довести до реализации.

Больше об ML в Яндексе — в канале Yandex for ML

* Горите темой больших мультимодальных или языковых моделей, занимались их обучением
* Хорошо знаете NLP/CV и следите за трендами в LLM/VLM
* Умеете решать ML-задачи полного цикла: от сбора разметки до внедрения в продакшен

Требования:

• От 2 лет коммерческого опыта запуска дата-продуктов в продуктивной среде.
• Высшее образование и соответствующий опыт в области статистики,
  математики, информатики или смежных областях.
• Уверенное знание SQL, Python (pandas, numpy, scikit-learn, LightGBM/XGBoost) алгоритмов машинного обучения и статистики, опыт с Prophet, statsmodels.
• Глубокое понимание методов прогнозирования временных рядов.
• Умение выбирать и обосновывать метрики качества и бизнес-метрики.
• Опыт создания E2E пайплайнов ML.
• Подтвержденный опыт создания пайплайнов машинного обучения,
  работающих в продуктивной среде разработки.
• Опыт визуализации данных с использованием Power BI/ggplot/plotly/etc.
• Опыт использования облачных платформ для решения задач дата-
  аналитики и и запуска моделей машинного обучения в продуктивной среде.
• Опыт работы со стеком Yandex Cloud Platform – будет плюсом.
• Опыт работы с GitLab или его аналогами.
• Опыт работы с Airflow/Docker/Kubernetes или их аналогами.
• Опыт инференса моделей в MLFlow/Triton или аналогах.
• Средний или выше среднего уровень знания английского языка.

Обязанности и ожидаемые результаты работы:

• Взаимодействие с бизнес-подразделениями для выявления точек роста и постановки задач на прогнозирование.
• E2E процесс запуска дата-продуктов в Yandex Cloud Platform.
• Представлять результаты моделирования для бизнес-аудитории, включая
  руководителей организации.
• Превращать неструктурированные недостатки и болевые точки в
  конкретные бизнес и технические требования для проверки гипотез или
  разработки дата-продуктов.

Мы предлагаем:

• Официальное трудоустройство по ТК РФ;
• Возможность развития в рамках крупнейшей FMCG-компании;
• Конкурентный уровень заработной платы;
• Удаленный формат работы;
• Предоставление корпоративной техники.

Мы – сплоченная команда единомышленников, которая разрабатывает сервисы доставки с использование беспилотных технологий. Присоединившись к нам, вам предстоит принять непосредственное участие в развитии одного из самых востребованных на текущий момент решения. Наша команда расширяется, в связи с чем мы ищем уверенного DL-исследователя для участия в разработке новых и совершенствовании существующих алгоритмов.

Обязанности

• обучение новых и улучшение показателей существующих моделей;
• взаимодействие с командой разработки в рамках производственного процесса;

Требования

• вы не боитесь экспериментировать с архитектурами, механизмами обучения, можете и готовы придумывать новые подходы в построении пайплайнов обучения
• у вас богатый опыт обучения моделей в области работы computer vision (сегментация, извлечение признаков, edge детекторы) или вы очень крутой специалист в смежных сферах и готовы втянуться в БЛА
• имеете достаточный математический бэкграунд для решения ML/DL задач и уверенно им пользуетесь
• владеете культурой проведения экспериментов
• умеете объективно оценить качество работы модели
• владеете Python и Linux shell на уровне, достаточном для прототипирования алгоритмов и написания утилит для работы с данными
• имеете достаточный уровень владения английским языком для быстрого чтения статей
• вы можете писать чистый код, в котором другие исследователи/разработчики смогут быстро разобраться.

Условия

• ежегодный пересмотр зарплаты и годовая премия
• корпоративный спортзал и зоны отдыха
• подписка Прайм с возможностью совместного использования на трёх близких
• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
• вознаграждение за рекомендацию друзей в команду Сбера.

Наша команда (70+ человек) создает технологический фундамент для внедрения GenAI в экосистему банка. Мы разрабатываем RAG-платформу, фреймворк исполнения агентов и системы обработки неструктурированного контента (документы, коммуникации). Наши сервисы оборачивают базовые LLM в готовые интерфейсы, позволяя бизнесу быстро создавать собственных агентов и GenAI-приложения.

Мы обеспечиваем полный цикл разработки (E2E): ML-инженеры и бэкенд-разработчики работают вместе над реализацией сервисов, в связке с фронтендом и дизайнерами. У нас есть собственная команда разметки для оценки качества и сбора датасетов, с помощью которых мы дообучаем доменные модели под банковские сценарии.

Масштаб задач:

Сейчас в портфеле более 200 реализованных сценариев.

В планах — реализация еще 300+ сценариев, включая создание слоя процедурной памяти для агентов, специализированных поисковых агентов и систем автоматической оценки качества GenAI (Auto-Eval).

Развитие Self-Service инструментов (песочниц с UI), где команды банка могут тестировать гипотезы перед интеграцией.

Чем предстоит заниматься

Мы ищем инженеров, которым интересно не только R&D, но и создание полноценных продуктовых систем, способных обучаться на пользовательском фидбэке и решать конкретные бизнес-задачи.

• развитие GenAI сервисов: Создание и улучшение RAG-систем (в т.ч. Agentic RAG), инструментов Agent Observability, сервисов обработки документов

• обучение моделей: тренировка и дообучение мультимодальных моделей на русском языке (OCR, Embeddings, Rerankers, VLM)

• MLOps и Data Management: Организация и автоматизация процесса разметки данных (от сбора до контроля качества краудсорсинга)

• развитие автономных пайплайнов улучшения качества моделей с использованием LLM-as-a-Judge

• Engineering: релиз новых моделей и сервисов в продуктовые среды.

• глубокое понимание LLM: опыт работы с большими языковыми моделями, Prompt Engineering, Fine-tuning LLM/VLM

• инженерная культура: уверенное владение Python 3, знание ООП, принципов SOLID. Хорошее знание алгоритмов и структур данных.

• LLM Stack: опыт работы с LangChain, LlamaIndex или другими фреймворками для разработки агентов и мультиагентных систем (MAS)

• Vibe Coding: умение автоматизировать собственные рутинные процессы с помощью AI-инструментов

• Mindset: желание постоянно изучать новые SOTA-подходы, модели и технологии.

Будет плюсом

• активный профиль на GitHub с качественным кодом

• достижения (медали) на Kaggle

• участие в Open-Source проектах, связанных с LLM/NLP

• комфортный современный офис - м. Кутузовская

• гибридный формат работы

• ежегодный пересмотр зарплаты, годовой бонус

• корпоративный спортзал и зоны отдыха

• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

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

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

• подписка Прайм с возможностью совместного использования на трёх близких

• вознаграждение за рекомендацию друзей в команду Сбера

• корпоративная пенсионная программа.

Мы — команда мобильного приложения Сбербанк Онлайн.

Разрабатываем цифрового ассистента для мобильного приложения СБОЛ, который работает на базе технологий LLM.

В ядре нашего ассистента лежит мультиагентная система.

Мы ищем опытного NLP-специалиста, который будет разрабатывать новых ИИ-агентов для удовлетворения потребностей пользователей.

Обязанности

• анализ бизнес-задач и участие в выборе методов моделирования для их решения / проработка с заказчиками вариантов реализации ML-решений.
• разработка ИИ-агентов на базе LLM с использованием фреймворков LangChain/GigaChain/LangGraph.
• создание RAG-пайплайнов.
• решение вспомогательных NLP-задач (Preprocessing, Classification, Clustering, Summarization (Ext/Abst), Sentence Compression, Simplification, NER, Embeddings, Prompt Tuning).
• дообучение LLM под бизнес-задачи (SFT, LoRA), разработка пайплайнов оценки качества ML-решения (LLM-as-a-judge, классические метрики качества для задач классификации с естественными метками).
• разработка дизайна пилотов для оценки продуктового и финансового эффектов от запуска ML-решений, приоритезация бэклога гипотез по улучшению качества ML-решений.
• вывод ML-решений в промышленную эксплуатацию совместно с командой MLOps.

Требования

• высшее образование (желательно техническое/экономическое).
• опыт в ML от 3-х лет.
• знание библиотек и фреймворков: pandas, PySpark, CatBoost, PyTorch, LangChain/LangGraph.
• отличные знания классического и нейросетевого ML применительно к NLP-задачам.
• имеешь опыт решения задач с использованием различных LLM-моделей (BERT, RoBERTa, XLNet, LLaMA).
• Знаешь, как работает RAG.

Условия

• офисный/гибридный формат работы: г. Москва, Бизнес-центр, Кутузовский проспект, д. 32, к. 1.
• ежегодный пересмотр зарплаты и годовая премия.
• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития.
• расширенный ДМС (медицинское страхование), льготное страхование для семьи.
• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров.
• вознаграждение за рекомендацию друзей в команду Сбера.