Вакансии в ML и AI

Мы ищем опытного ML/NLP разработчика для работы над сложной диалоговой системой и голосовым пайплайном. Вашей главной задачей станет эволюция нашего продукта: поэтапный переход от классических графовых сценариев к современному LLM-based диалогу, а также глубокая оптимизация речевого стека (ASR/TTS) под low-latency.

Чем предстоит заниматься:

• Развитие диалогового движка: Поэтапный перевод системы с графа сценариев и скиллов на управляемый LLM-based диалог.

• Траблшутинг и дебаг: Работа с голосовым пайплайном — поиск и устранение причин high latency, галлюцинаций LLM, проблем с передачей аудио и графовых ошибок.

• Архитектура: Оперативное принятие архитектурных решений и их самостоятельная реализация в коде.

• Работа с NLP-стеком:

  • Поддержка и быстрая отладка few-shot классификации сценариев (на базе Qwen) и классификаторов на BERT.

  • Учёт краевых случаев, исправление ошибочных срабатываний интентов.

  • Finetuning локальных LLM для специфических задач (извлечение сущностей, строгое следование инструкциям).

• Работа с речевым стеком:

  • Интеграция и поддержка ASR (на базе GigaAMv2), отладка качества распознавания, работы VAD и стриминга текста.

  • Дообучение и настройка инференса собственных и open-source TTS, а также систем клонирования голоса для достижения идеального звучания и высокой скорости работы.

Наши ожидания (Hard Skills):

• NLP и LLM:

  • Уверенный опыт работы с LLM/SLM (Few-shot learning, Prompt engineering) и BERT.

  • Практический опыт finetuning LLM (PEFT, LoRA/QLoRA) под узкие прикладные задачи.

  • Уверенный дебаг LLM: умение быстро понять причину некорректного ответа и исправить её промптом, гиперпараметрами или дообучением.

• Голосовой стек: Опыт дообучения и оптимизации TTS-моделей; опыт работы и интеграции современных ASR-систем.

• Диалоговые системы: Опыт работы как с графовыми/сценарийными движками, так и с LLM-агентами. Высокая скорость диагностики проблем в инференсе.

• Backend и Оптимизация (Python + Go):

  • Уверенное владение Python (PyTorch, HuggingFace, фреймворки инференса).

  • Опыт оптимизации инференса под low-latency (vLLM, TensorRT-LLM, Triton Inference Server, ONNX Runtime).

  • Практика работы с потоковым аудио в реальном времени (streaming ASR/TTS, gRPC-контракты).

• GoLang:

  • Понимание дизайна сервисов и принципов SOLID, DRY, KISS.

  • Знание базовых типов (строки, числа, слайсы, мапы) и работы с указателями.

  • Уверенная работа с примитивами синхронизации и конкурентностью (горутины, каналы).

  • Понимание принципов Observability.

Будет плюсом:

• Опыт работы с gRPC.

• Умение настраивать инфраструктуру, опыт работы с k8s/inventory.

• Глубокое понимание принципов работы TCP.

Ищем AI/ML-инженера, который создаст AI SilkNet ассистента и модели для анализа научных статей, отчётов по проектам и патентов: семантический поиск, RAG, классификация и кластеризация текстов, выявление трендов и слабых сигналов. Модели встраиваются в платформу через API и работают только внутри защищённого контура , внешние API (OpenAI, Anthropic и др.) не используются.

Обязанности

• Разрабатывать AI-ассистента на основе RAG с проверяемыми ответами по первичным источникам.

• Разворачивать открытые LLM и модели эмбеддингов на серверах внутри контура.

• Строить семантический поиск, классификацию и кластеризацию больших текстовых массивов (статьи, отчёты, патенты), в т.ч. по кластерам KISTI.

• Извлекать из текстов сущности и связи; выявлять тематические кластеры, тренды, аномалии и слабые сигналы.

• Тестировать и валидировать модели: тестовые выборки, метрики качества, проверка на «галлюцинации».

• Интегрировать модели с backend через API (Python, FastAPI, Docker) совместно с backend-командой на Go.

• Документировать модели, методы, показатели качества и ограничения.

Ключевые требования

• Уверенное владение Python.

• Практический опыт разработки и применения моделей Machine Learning / NLP.

• Опыт работы с PyTorch, Hugging Face или сопоставимыми ML-инструментами.

• Практический опыт применения LLM и интеграции языковых моделей в информационные системы.

• Опыт запуска открытых LLM на собственных серверах (vLLM, Ollama, llama.cpp или аналоги) без использования внешних API.

• Опыт работы с embeddings, vector search и RAG.

• Знание методов тематической классификации и кластеризации больших текстовых массивов; понимание topic modelling.

• Опыт семантического анализа текстов, similarity search, извлечения сущностей и связей.

• Опыт обработки текстов на русском языке; извлечение текста и таблиц из PDF и DOCX.

• Навыки анализа динамики данных, выявления трендов, аномалий и слабых сигналов.

• Опыт разработки и оценки AI/ML-моделей: тестовые выборки, метрики качества, валидация результатов.

• Понимание проблемы hallucinations LLM и методов обеспечения проверяемости AI-выводов по первичным источникам.

• Опыт интеграции ML/AI-моделей с backend/API; Git, Docker.

• Способность документировать модели, методы, показатели качества и ограничения.

• Официальное оформление по ТК РК, стабильная заработная плата, выплата пособия на оздоровление к ежегодному трудовому отпуску (1 раз в год)

В ПРОЦЕССЕ РАБОТЫ НЕОБХОДИМО

• Развертывание, поддержка и сопровождение проектов, связанных с ИИ
• Настройка процесса CI/CD (gitlab, werf)
• Решение проблем в процессе эксплуатации в технической части
• Управление процессами ci/cd, настройка и поддержка проектов корпорации
• Создание скриптов для развертывания тестовых и продуктивных площадок
• Доставка изменений разрабатываемых сервисов
• Построение конвейеров CI/CD
• Стандартизация подходов к развертыванию
• Разрешение проблем, возникающих в процессе эксплуатации систем (в основном с командами разработки).

ЧТО БУДЕТ ВАШИМ ПРЕИМУЩЕСТВОМ

• Понимание принципов функционирования сетей, знание основных технологий и протоколов (firewall, nat, nat traversal)
• Уверенные знание операционной системы Linux (Debian / Debian-based)
• Опыт работы с Docker (сборка multi-stage образов, оптимизация размера, работа с GPU-контейнерами через NVIDIA Container Toolkit)
• Опыт мониторинга GPU-ресурсов (nvidia-smi, DCGM) и интеграции метрик в Prometheus/Grafana
• Опыт построения CI/CD пайплайнов (gitlab-ci) - деплой через Docker Compose/systemd на bare-metal
• Понимание принципов работы NVIDIA-драйверов и CUDA-стека, опыт диагностики проблем совместимости GPU/драйвер/фреймворк
• Базовый Python для написания сервисных инструментов и автоматизации ML-пайплайнов
• Опыт работы с ML-проектами: понимание жизненного цикла модели (обучение, валидация, деплой, мониторинг)
• Умение писать скрипты на bash/Python
• Опыт работы с:
  o nginx, haproxy, minio, graylog, elk-stack, sentry, openid, lua, prometheus, Grafana, mysql/postgresql, artifactory
  o Опыт с MLflow или аналогами для трекинга экспериментов и model registry.

ДЛЯ ВАС МЫ ПРЕДЛАГАЕМ

• Официальное трудоустройство: оформление с полным пакетом социальных гарантий, включая отпуск и больничные

• Комфортные кафе и столовые: уютные пространства для общения с коллегами за чашкой кофе, обсуждения совместных проектов и последних корпоративных новостей

• Уникальная атмосфера в команде: разнообразие поколений и культур, способствующее созданию вдохновляющей рабочей среды

• Инвестиции в ваше будущее: повышение компетенций и внедрение лучших мировых практик для вашего профессионального роста

• Возможность посещения бизнес-мероприятий: участие в мероприятиях, способствующих расширению профессиональных связей и знаний

• Корпоративные фитнес-услуги: на площадке корпорации доступны фитнес-залы, залы для занятий йогой, SPA-центры и массажные кабинеты с персональной скидкой для сотрудников

• Поддержка на этапе адаптации: вас будет сопровождать наставник и руководитель, которые помогут вам бережно интегрироваться в коллектив.

Всем привет.

Ищем опытного инженера на проект разработки AI-решений на базе LLM и NLP: построение архитектуры вокруг сторонних LLM, обучение нейросетевых моделей на GPU-кластере, вывод решений в прод. Участие в формировании технической стратегии AI и выборе технологического стека.
Ключевой фокус: решения на базе LLM, NLP и нейросетей.

Обязанности:

​​​​​​​• Участие в запуске проектов по направлению AI;
• Проектирование и разработка AI-решений на базе LLM и NLP;
• Построение RAG-систем и архитектуры вокруг сторонних LLM;
• Дообучение (fine-tuning) нейросетевых моделей на GPU-кластере;
• Оценка качества LLM-решений и оптимизация инференса (vLLM);
• Разработка и реализация стратегии AI в части используемых технических решений;
• Оценка рисков использования AI-решений с учётом специфики технологических и бизнес-процессов;
• Исследование современных тенденций и технологий по направлению AI для их последующего применения;

​​​​​​​​​​​​​​• Python (большой опыт разработки): Pandas, NumPy, Scikit-learn;
• LangChain, vLLM;
• PyTorch, Hugging Face Transformers;
• Глубокое понимание ML, Deep Learning, NLP;
• Опыт запуска AI-проектов в прод и построения архитектуры вокруг сторонних LLM-решений;
• Опыт обучения нейросетевых моделей на GPU-кластере;
• SQL;
• Git;
• Высшее техническое образование (Computer Science, прикладная математика, AI/ML или смежные области).

• График работы 5/2, удаленный формат;
• Оформление по ТК РФ, оплачиваемые больничные листы;
• Спортивные и корпоративные мероприятия;
• Программа обучения;
• Добровольное медицинское страхование;
• и многое другое.

Обязательно откликайся!:)

В Дирекцию реализации и популяризации AI-инициатив Департамента развития искусственного интеллекта и машинного обучения (Сбер AI) Сбера требуется DS/AI Lead для реализации AI/GenAI-проектов в сегменте B2G. Нашей дружной командой мы помогаем государству проводить disrupt госуправления через внедрение AI/GenAI и ускорять национальное развитие AI/GenAI, организуем одно из крупнейших в мире профильных мероприятий – AI Journey, объединяем бизнес, государство и международное научное сообщество, чтобы обеспечить GenAI-трансформацию страны.

• лидирование прототипирования в домене NLP

• разработка и валидация ML-моделей, создание и внедрение AI/GenAI решений для B2G

• проектирование архитектуры AI/GenAI и ML-моделей под бизнес-задачи

• формализация бизнес-задач в ML-постановки, выбор метрик качества и критериев успеха

• контроль сроков и планов выполнения пилотов и разработки прототипов

• Проектирование, разработка, контроль качества фичей, в частности - мультиагентных систем на базе LLM для решения сложных задач

• проектирование и разработка систем RAG

• R&D в области NLP: эксперименты с новейшими архитектурами, reasoning-моделями, fine-tuning моделей под специфические задачи

• оптимизация inference для работы с высокими нагрузками

• сбор, анализ и подготовка данных (EDA), формирование признаков (feature engineering)

• проведение экспериментов, сравнение подходов, интерпретация результатов, подготовка рекомендаций для заказчика

• анализ данных, feature engineering, A/B тестирование

• участие во внедрении моделей в прод: совместная работа с инженерами, подготовка артефактов (спецификации, требования к данным/сервису)

• подготовка технической документации и презентаций результатов

• взаимодействие с бизнес-заказчиками и техническими командами

• умение решать ad-hoc задачи вне стандартных подходов к разработке продукта

• высшее техническое/математическое/экономическое образование

• опыт production-разработки ML-систем от 5 лет

• глубокое понимание современных LLM архитектур (Transformers, attention mechanisms)

• практический опыт с RAG: vector databases, embedding models, retrieval strategies

• опыт работы с распределенными вычислениями (PyTorch Distributed, DeepSpeed)

• Python на уровне написания эффективного production кода

• опыт управления командой разработки, использующей в т.ч. системы автоматического написания кода (Codex и др.)

• понимание полного жизненного цикла ML-модели, знание основных подходов к оценке качества моделей, работе с дисбалансом, переобучением, интерпретируемостью

• владение английским на уровне Upper Intermediate и выше

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

Будет плюсом

• опыт работы с information retrieval системами

• опыт построения мультиагентных систем (LangChain, AutoGen, CrewAI)

• опыт fine-tuning больших языковых моделей

• знание современных подходов к prompt engineering и chain-of-thought reasoning.

• комфортный современный офис рядом с м. Кутузовская

• гибридный формат работы

• 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

• ипотека для сотрудников выгоднее до 1/3 от текущей ставки

• подписка Прайм с возможностью совместного использования на трёх близких.

Мы ищем опытного специалиста с сильным ML-бэкграундом и подтверждённым опытом в трейдинге в роли квант-ресечера или ML-специалиста. Вы будете работать на стыке Quant Research и Feature Engineering, самостоятельно вести исследования от гипотезы до продакшена и отвечать за вклад своих сигналов в PnL.

Что делать:

• Формировать и вести собственную исследовательскую повестку: находить рыночные неэффективности, формулировать гипотезы и строго проверять их на данных.
• Проектировать модели с учётом того, как их предсказания будут использоваться в торговле: горизонт, издержки, проскальзывание, ёмкость стратегии, влияние на позицию и риск.
• Разрабатывать признаки с устойчивой предсказательной силой: от классических статистических преобразований до learned representations. Работать с рыночными данными (order book, трейды, фандинг и др.) и альтернативными данными.
• Выстраивать корректный процесс валидации: walk-forward, контроль утечек и переобучения, оценка устойчивости сигнала во времени и при смене режимов рынка.
• Доводить исследования до продакшена вместе с разработчиками и строить надёжные data-пайплайны.
• Задавать стандарты исследований в команде, ревьюить работу коллег и менторить младших исследователей.

Требования:

• Обязательно: от 3 лет опыта в трейдинге (хедж-фонд, prop-trading, маркет-мейкер, HFT/MFT) в роли Quant Researcher или ML.
• Опыт разработки сигналов или моделей, которые использовались в реальной торговле, и понимание их результатов в продакшене.
• Глубокое понимание ML: почему градиентный бустинг часто превосходит трансформеры на табличных данных, когда байесовский подход эффективнее частотного, как возникают утечки данных во временных рядах и как их избегать.
• Практический опыт с deep learning и градиентным бустингом, хорошее понимание устройства нейронных сетей.
• Сильная математическая база: статистика, теория вероятностей, стохастические процессы.
• Понимание микроструктуры рынка, принципов бэктестинга и оценки торговых стратегий.
• Сильный Python. Опыт работы с потоковой обработкой данных будет плюсом.
• Английский язык на уровне B2 и выше.

Будет плюсом:

• ШАД или другая сильная техническая, финансовая или quant-программа.
• Опыт работы с криптовалютными рынками.
• Опыт участия в олимпиадах по математике, физике или информатике.
• Подтверждённые результаты на Kaggle или других ML-соревнованиях.

Департамент информационных технологий Москвы создает и развивает цифровые проекты, которые делают столицу комфортнее, а жизнь горожан — удобнее и мобильнее. Для системы управления столицей технологии — это незаменимый инструмент, который применяется во всех отраслях экономики, городского хозяйства и социальной сферы. А для миллионов горожан — повседневный помощник, который позволяет получать сотни услуг и сервисов в удобном цифровом формате в режиме 24/7.

Продукт "Градостроительство" - совокупность проектов, направленных на внедрение инновационных алгоритмов, бизнес-процессов и общей ИТ- стратегии Департамента информационных технологий города Москвы в градостроительную деятельность. Коллеги сокращают число задействованных информационных систем, переводят услуги в цифровой вид, разрабатывают цифрового двойника города и реализуют множество других проектов, помогающих отрасли работать качественнее и быстрее.

Что нужно делать:

• проектировать и разрабатывать LLM-агентов: planning, tool use, memory, мультишаговые сценарии (ReAct, Plan-and-Execute)
• интегрировать агентов с внешними API и источниками данных (function calling)
• дообучать модели (SFT, LoRA/QLoRA) под конкретные задачи
• заниматься построением RAG-пайплайнов (эмбеддинги, retrieval, векторные БД)
• оценивать качества моделей и агентов (eval-пайплайны, golden datasets, LLM-as-a-judge)

Какие знания и навыки важны:

• продакшн-Python, SQL
• опыт работы с LLM API (OpenAI/Anthropic и др.), prompt engineering
• практический опыт fine-tuning моделей (LoRA/PEFT)
• опыт с фреймворками для агентов (LangGraph/CrewAI/Claude Agent SDK) или аналогичный самописный опыт
• понимание, когда задачу лучше решать RAG/промптом, а когда — дообучением

Будет плюсом:

• знание архитектуры трансформеров
• опыт деплоя и мониторинга ML-моделей (Docker, MLOps)
• опыт self-hosted инференса LLM (vLLM/TGI/Ollama) и квантования моделей (GGUF/AWQ/GPTQ)
• участие в open-source LLM/agent-проектах
• знание стека greenplun, clickhouse, postrgesql, airflow, ETL/ELT процессов

Что предлагаем:

• официальное трудоустройство в аккредитованную ИТ-компанию
• офисный график работы, БЦ АРМА (м.Курская)
• ежегодное премирование по результатам работы
• материальную помощь в случае важных событий в жизни
• корпоративное обучение и доступ к онлайн-библиотеке
• скидки от партнеров на ДМС, связь, развлечения, подарки, спорт и т.д.

• корпоративные тренировки и спортивные активности - бег, футбол, волейбол, баскетбол, теннис и другие

Стань частью команды ДИТ Москвы и воплощай в жизнь цифровые проекты столицы!

Команда управления развития искусственного интеллекта (блок «Развитие клиентского опыта B2C») ищет NLP/LLM-инженера для развития AI-copilot премиальных клиентских менеджеров. Мы переходим от классических NLP-решений к адаптивным мультиагентным системам, способным самостоятельно решать задачи в контуре бизнеса: поиск по базе знаний, суммаризация профиля, извлечение инсайтов из звонков, управление графиком, проактивные подсказки на звонке.

Ищем Senior-инженера, который возьмет на себя архитектурную ответственность за решения с LLM под капотом, выстроит процессы оценки качества и будет писать чистый, поддерживаемый код, готовый к интеграции в продакшн выделенной бэкенд-командой.

Обязанности

• архитектура и разработка: проектировать и реализовывать end-to-end LLM-пайплайны, включая продвинутые RAG-системы и автономных AI-агентов с использованием планирования, function calling и мультиагентной оркестрации
• дообучение и адаптация: SFT/RLHF/DPO, LoRA/QLoRA под специфичные бизнес-задачи. Принимать решения о том, когда дообучение необходимо, а когда достаточно промпт-инжиниринга или RAG
• система оценки (Eval): поддерживать культуру качества, внедряя продуктовые и ML-метрики (RAGAS, DeepEval, кастомные LLM-as-a-Judge), автоматизировать регрессионное тестирование, связывать технические метрики с бизнес метриками
• качество кода и интеграция: писать чистый, хорошо документированный и тестируемый python-код, который легко интегрируется и поддерживается бэкенд командой. Формировать стандарты разработки в рамках DS экспериментов и проектировать API-контракты для ML-компонент
• менторство и влияние: участвовать в код-ревью, формировать технические стандарты команды, декомпозировать бизнес-задачи и предлагать оптимальные ML-решения. Работать напрямую с продуктом и стейкхолдерами.

Требования

• опыт в DL/NLP от 4 лет включая обучение/дообучение моделей на PyTorch, из них не менее года практического опыта с LLM
• практический опыт построения AI-агентов и LLM-пайплайнов с использованием LangChain/LangGraph
• глубокое понимание архитектуры современных LLM, включая механизмы attention, MoE, RoPE, KV-cache, методы alignment (RLHF/DPO), принципы эффективного инференса
• сильная инженерная культура: Python (asyncio, pydantic, fastapi), написание чистого тестируемого кода (pytest), опыт разработки асинхронных микросервисов. Понимание Docker/K8s, CI/CD для ML
• оценка и мониторинг: уверенное владение инструментами LLMOps (Arize, LangSmith, W&B, Phoenix). Опыт создания кастомных eval-пайплайнов и понимания того, как метрики влияют на продукт
• работа с данными: опыт предобработки сложных данных для подготовки датасетов, знание SQL
• автономность и коммуникация: Умение переводить неопределённые бизнес-задачи в технический план, аргументированно отстаивать архитектурные решения, работать без микроменеджмента.

будет плюсом:

• опыт опромышливания AI-агентов и знание принципов LLMOps, включая CI/CD, оркестрацию и управление версиями промптов
• опыт интеграции ML-решений в высоконагруженные системы
• понимание безопасности LLM-приложений.

Условия

• комфортный современный офис рядом с м. Кутузовская
• гибридный формат работы после испытательного срока
• 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.

«ЭКРА Кавказ» — производственно-инжиниринговая компания, работающая в сфере электроэнергетики, релейной защиты и автоматики, цифровизации энергетических объектов и проектирования подстанций.

Мы развиваем новое направление Artificial Intelligence / Machine Learning для электроэнергетики и ищем AI/ML Engineer, который поможет создать интеллектуальные инструменты для инженеров и специалистов энергетической отрасли.

Чем предстоит заниматься

• Разрабатывать AI/ML-решения для анализа технической и проектной документации;
• создавать системы анализа схем РЗА, электрических схем, проектной документации и технических отчетов;
• разрабатывать RAG/LLM-системы и AI-помощника для инженеров;
• работать с техническими документами, протоколами испытаний, эксплуатационными данными и архивами проектов;
• автоматизировать анализ аварийных событий и диагностических данных подстанций;
• разрабатывать алгоритмы поиска взаимосвязей и выявления аномалий в технических данных;
• интегрировать AI-модули с существующими инженерными и информационными системами;
• участвовать в создании архитектуры и выводе ML/AI-решений в промышленную эксплуатацию.

Обязательно:

• опыт разработки AI/ML-решений;
• уверенное владение Python;
• понимание современных LLM, RAG, embeddings, vector databases;
• опыт работы с ML/AI-фреймворками;
• понимание принципов обработки и анализа больших объемов данных;
• опыт работы с API и интеграцией AI-моделей в прикладные системы;
• умение самостоятельно разбираться в новых технологиях и технической документации.

Будет большим преимуществом:

• опыт работы с LLM / Generative AI;
• опыт построения RAG-систем;
• LangChain / LlamaIndex или аналогичные технологии;
• PostgreSQL, pgvector, ChromaDB;
• Docker, FastAPI;
• Computer Vision / OCR;
• опыт работы с технической документацией и PDF;
• знания в области электроэнергетики, электрических сетей, РЗА, подстанций;
• опыт разработки AI-решений для промышленности или инженерных систем.

Что предлагаем

• Работа над реальным AI-проектом в энергетике, а не только экспериментальными моделями;
• возможность создавать AI-продукты с нуля и влиять на архитектуру решения;
• работа на стыке Artificial Intelligence + энергетика + промышленная автоматизация;
• профессиональная команда инженеров и специалистов энергетической отрасли;
• участие в международных и крупных энергетических проектах;
• конкурентная заработная плата;
• профессиональное развитие и возможность реализовывать собственные технические идеи.

Обязанности

• Участвовать в полном цикле создания AI-продукта: от генерации гипотез и создания прототипов до внедрения в production и последующего мониторинга;

• Разрабатывать, тестировать, оценивать качество и внедрять решения на основе LLM (диалоговые агенты, RAG, LLM workflows, prompt engineering) для миллионов пользователей;

• Проектировать, реализовывать архитектуру высоконагруженных AI-решений и интегрировать их в production-сервисы;

• Анализировать логи, трейсы и фидбек по реальной работе ассистентов в продакшене и улучшать их качество на основе найденных инсайтов;

• Оптимизировать производительность и стоимость использования LLM в продуктовых сценариях.

• Следить за лучшими практиками и open-source решениями, экспериментировать и внедрять их в продукт.

Требования:

• Уверенное владение Python, опыт создания высоконагруженных сервисов и внедрения LLM-решений в продакшн;

• Опыт работы с LLM API и реализации LLM-based сервисов, понимание нюансов и трейдофов;

• Знание LLM фреймворков (langchain, langgraph или аналоги) и подходов к разработке AI-агентов (function calling, structured output, prompt/context engineering);

• Хорошие навыки prompt/context engineering, опыт тестирования и регресс‑проверок промптов, понимание подходов к оценке llm-систем (offline-метрики, human evaluation, llm-as-a-judge, A/B тестирование);

• Опыт создания web-сервисов (FastAPI, asyncio), дизайна чистых и функциональных API и интеграции с бэкенд-сервисами;

• Опыт работы с векторными базами данных (Milvus/Qdrant/FAISS/pgvector) для RAG‑решений и не только.

Будет плюсом:

• Знание Java;
• Понимание современных архитектур и методов обучения языковых моделей;
• Опыт обучения и инференса open-source LLM-моделей.

Условия:

• Возможность выбора место работы: удаленно или из офиса;

• Гибкий график рабочего дня;

• Оформление в соответствии с ТК РФ, «Белая» заработная плата, выплачиваемая точно в срок;

• Корпоративное ДМС с первого месяца работы (решаем вопросы со здоровьем быстро и удобно);

• Возможность профессионального развития, обучение за счет компании, участие в специализированных конференциях.

Каждый год всё больше пользователей сталкиваются с мошенниками, и мошенники ведут себя всё агрессивнее. Чтобы защитить пользователей hh и в целом создать доверительное пространство для карьеры и трудоустройства, существует направление Trust & Safety.

Команда TrustML отвечает за обучение и эксплуатацию ML-моделей, которые оценивают достоверность контента на платформе, помогают модерировать пользовательский контент и обнаруживать мошеннические действия, а также за автоматизацию процессов, связанных с обработкой фрода.

Чем предстоит заниматься:

• ML модели для автоматического обнаружения фрода на сайте: выявлять подозрительные вакансии и резюме, анализировать поведение пользователей;

• Модерация контента: с помощью машинного обучения проверять заполненность контента, соответствие правилам площадки (отсутствие дискриминации, корректность указанной зарплаты и т.д.);

• Достоверность контента: анализировать соответствие информации в вакансиях и резюме действительности. Например, завышает ли работодатель зарплату или ведет ли поиск в другую компанию и другое;

• Выводить модели в продакшн и поддерживать работу сервисов, в которых работают ML модели;

• Руководить командой из двух DS/ML специалистов: менторство, развитие, обратная связь;

• Формирование и приоритизация ML целей направления;

• Взаимодействие с заказчиками и другими командами по общим задачам.
  

Требования:

• Имеешь опыт реализации и применения моделей машинного обучения в продакшене;

• У тебя есть понимание основных методов и алгоритмов Machine Learning;

• Уверенно владеешь Python (pandas, numpy, pytorch, sklearn, CatBoost);

• Понимание основных алгоритмов и структур данных;

• Умеешь работать в команде и общаться с заказчиками на понятном им языке.

Будет плюсом:

• Опыт решения антифрод задач;

• Опыт в NLP и знание принципов работы нейросетей для обработки текста;

• Опыт работы с различными источниками данных: SQL, Cassandra, Hive, Presto, Kafka, etc.

Условия:

• Возможность выбора места работы: удаленно или из офиса;

• Гибкий график рабочего дня;

• Оформление в соответствии с ТК РФ, «Белая» заработная плата, выплачиваемая точно в срок;

• Корпоративное ДМС с первого месяца работы (решаем вопросы со здоровьем быстро и удобно);

• Возможность профессионального развития, обучение за счет компании, участие в специализированных конференциях.

Алиса — один из самых популярных ассистентов в России, которым ежедневно пользуются миллионы людей. Наша команда развивает качество ключевой LLM-технологии компании: мы работаем над тем, чтобы модели становились умнее, полезнее и надёжнее.

Приёмка — момент, когда решается судьба релиза. Перед каждой выкаткой нужно понять, как изменилось качество модели, на каких сценариях она выросла, а где просела, и достаточно ли этого для пользователей. Мы измеряем модель по нескольким независимым аспектам качества — на профессиональных разметчиках, доменных экспертах и автоматических оценщиках, — и на основании этих замеров команда принимает решение о релизе.

Приёмка моделей

Вы будете полностью вести приёмку новых версий моделей: определять, какие замеры нужны для конкретного релиза, запускать оценки, объединять результаты и готовить заключение о качестве модели. В заключении нужно разобрать сценарии и привести конкретные примеры изменений. Ваше заключение станет основой для решения о выкатке — его будут принимать вместе с ML‑разработчиками и продуктовой командой.

Развитие системы метрик

Вы станете развивать систему метрик, которая покажет реальное качество моделей. Вам нужно будет определить обязательные сигналы, объединить разные оценки в общую картину, рассчитать статистическую значимость и научиться отличать настоящие изменения от случайного шума. Также предстоит сравнить наши модели с самыми сильными решениями на рынке.

Работа с данными и инструментами приёмки

Вы будете отвечать за оценочные наборы — определять их состав, следить за покрытием важных сценариев, управлять версиями и обеспечивать воспроизводимость замеров. Также вам предстоит развивать инструментарий: создавать автоматические оценщики на базе LLM (LLM-as-a-judge) и применять гибридные методы. Нужно будет сравнивать новую модель с текущей продовой, а также сопоставлять офлайн‑оценки с онлайн‑метриками — чтобы выяснить, какие из них реально предсказывают поведение пользователей.

Управление командой и процессами

Вы соберёте команду аналитиков приёмки, будете распределять направления работы, наставничать и планировать ресурсы. Поскольку приёмка затрагивает несколько команд, важно договориться о едином процессе и сделать его понятным и предсказуемым для всех участников.

* Управляли командой аналитиков не менее двух лет
* Любите работать с данными и умеете извлекать из них практический результат
* Знаете математическую статистику и теорию вероятностей
* Умеете писать код на Python и знаете алгоритмы
* Умеете формулировать обоснованное заключение и защищать его перед заказчиками в условиях неполных данных
* Самостоятельны и готовы браться за новые задачи, для которых нет готового решения
* Интересуетесь развитием LLM и хотите глубоко погрузиться в тему

* Работали с NLP, краудсорсинговыми разметками и ML
* Строили процессы оценки качества LLM: голденсеты, LLM-as-a-judge, контроль качества разметчиков
* Занимались оценкой агентских сценариев и мультимодальных моделей
* Работали на стыке офлайн-оценки и онлайн-экспериментов

Центр практического ИИ — подразделение Сбера, которое занимается сложными AI-проектами на стыке прикладных исследований, инженерии и бизнес-внедрения. Мы работаем с задачами, в которых недостаточно применить готовую модель или собрать быстрый прототип: нужно разобраться в предметной области, проверить подходы, спроектировать решение и довести его до измеримого результата для бизнеса.

Актуальный фокус команды — прикладные LLM-агенты, копилоты и агентные системы для автоматизации бизнес-процессов. В таких решениях необходимо проектировать взаимодействие агента с пользователем и внутренними системами, добиваться корректного выбора инструментов, работать с базами знаний, учитывать ограничения домена, стабильно вести диалог в текстовом и голосовом каналах.

Мы ищем Senior Applied ML Engineer, который будет самостоятельно вести сложные LLM-проекты: разбираться в бизнес-контексте, формулировать технический подход, выбирать архитектуру, выстраивать оценку качества и отвечать за технический результат проекта. В этой роли важно видеть систему целиком: пользовательский сценарий, данные, архитектуру, интеграции, ограничения и риски.

Первый этап отбора на эту вакансию — общение с AI-рекрутером. После отклика ждите сообщение от него в мессенджере: диалог займет примерно 10 минут. Задача AI-рекрутера — уточнить недостающие детали по вашему опыту и ускорить рассмотрение кандидатуры. AI-рекрутер только начинает свой путь, поэтому просим отнестись с пониманием: ваш опыт и участие помогут сделать его удобным и полезным для всех.

Чем предстоит заниматься:

• самостоятельно вести разработку LLM-агентов, копилотов и агентных систем для реальных бизнес-процессов: формализовывать задачу, проверять гипотезы, выбирать подход и доводить его до рабочего решения
• проектировать архитектуру и агентную логику решений: обработку запросов, выбор и вызов инструментов, работу с базами знаний и взаимодействие с внутренними системами
• принимать и аргументировать технические решения: выбирать между простыми и более сложными подходами, оценивать их влияние на качество, скорость, стоимость, надежность и сложность поддержки
• выстраивать пайплайн разработки и оценки качества: определять необходимые данные и тестовые сценарии, проектировать evals, проводить эксперименты, анализировать ошибки и находить слабые места в системе
• брать техническое лидерство в сложных задачах: декомпозировать работу, проводить design/code review, помогать команде принимать технические решения и снимать технические блокеры
• находить повторяющиеся паттерны и превращать удачные решения в переиспользуемые компоненты, внутренние инструменты и инженерные практики
• работать на стыке research и engineering: изучать статьи и open-source-решения, проверять новые подходы и применять удачные идеи в рабочих системах
• взаимодействовать с заказчиками, продуктовыми и инженерными командами, согласовывать требования, ограничения и критерии готовности решения, сопровождать его пилотирование и внедрение.

Мы ожидаем от вас:

• от 4 лет коммерческого опыта разработки и внедрения ML/NLP-решений
• практический опыт разработки LLM-агентов, RAG-систем, копилотов или других решений на базе LLM, понимание современных архитектурных паттернов, ограничений и критериев качества таких решений
• опыт самостоятельной разработки LLM-решений end-to-end: от понимания бизнес-задачи, определения необходимых данных и выбора архитектуры до выстраивания оценки качества, реализации сервиса, запуска пилота и сопровождения внедрения
• уверенное владение Python и опыт разработки backend-части для ML/LLM-сервисов: интеграции, контейнеризация, базовый CI/CD
• умение работать с неопределенными задачами: переводить бизнес-потребности в технические решения, формулировать гипотезы, выбирать подход, объяснять технические компромиссы и доводить решение до результата
• опыт технического лидерства в сложных задачах: декомпозиции работы, проведения design/code review, помощи менее опытным инженерам и снятия технических блокеров
• способность быстро разбираться в новых статьях, фреймворках и подходах, проверять их применимость на практике и превращать удачные идеи в рабочие решения.

Будет плюсом:

• опыт координации небольшого технического стрима или работы нескольких инженеров над общим проектом
• сильный backend-опыт и умение строить production-grade сервисы
• опыт внедрения ML/LLM-решений в enterprise-контуре: безопасность, доступы, интеграции, мониторинг, SLA и ограничения production-среды.

Мы предлагаем:

• комфортный современный офис г. Москва, рядом с метро Кутузовская
• возможность выбрать удобный график – офис/гибрид (с посещением офиса не менее 3х дней в неделю)
• 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.

АО «ВИМ Инвестиции» — признанный лидер на российском рынке управления инвестиционными фондами. Более 25 лет мы создаем передовые финансовые продукты, помогая крупным частным клиентам и корпорациям эффективно управлять капиталом и уверенно смотреть в будущее. Управляем крупнейшим биржевым фондом в России — БПИФ «ВИМ - Ликвидность» (LQDT).

Мы активно развиваем Invest Tech в организации и ищем исследователя для поиска новых подходов и разработки AI/ML-моделей и агентских систем в инвестиционных продуктах (биржевые фонды и стратегии доверительного управления).

Основной фокус — применять эконометрические модели, модели машинного обучения, глубокого обучения, LLM и агентские системы для автоматизации инвестиционного процесса (генерация и бэктестирование инвестиционных стратегий, портфельная оптимизация, управление рисками, проверка гипотез и анализ рынка).

Обязанности:

• Изучать AI/ML/DL research papers и превращать идеи в рабочие прототипы.
• Разрабатывать модели оценки стоимости / доходности финансовых инструментов, модели динамики процентных ставок, модели портфельной оптимизации для аллокации и ребалансировки активов, модели управления рисками, сценарного анализа и транзакционных издержек.
• Проектировать и прототипировать агентские системы для автоматизации инвестиционного процесса и управления рискам, генерации и бэктестирования инвестиционных стратегий и анализа рынка.
• Проектировать инфраструктуру данных для моделей и агентских систем, пайплайны сбора, агрегации и предобработки фундаментальных, рыночных и альтернативных данных.
• Проверять качество моделей и агентских систем (валидация, стресс-тестирование), проводить мониторинг, эксперименты и бэктестинг стратегий, добиваться устойчивости на OOT / OOS.
• Совместно с командой MLE / MLOps выводить решения в production.

• Не менее 5-и лет опыта в качестве Quantitative analyst / developer, MLE, DS.
• Опыт управления портфелями активов и рисками на основе данных.
• Понимание количественных финансов и микроструктуры рынка.
• Опыт моделирования временных рядов, бэк- и A/B-тестирования.
• Продвинутый уровень по ML/DL и финансовой математике.
• Продвинутый уровень владения Python и SQL.
• Понимание техник NLP, дизайна LLM и MAS.

Будет плюсом:

• PhD по математике, физике, computer science.
• Собственные AI/ML-проекты, статьи, соревнования.

• Комфортный офис в Москва Сити (гибридный формат работы);

• ДМС с первого дня работы, включающая стоматологию, страхование жизни и возможность подключения родственников;

• Сервис корпоративных скидок Best Benefit;

• Конкурентный уровень заработной платы.

Вакансия компании: ООО "КОМБЛОК"

Middle AI / LLM Engineer

Ищем прикладного AI-инженера для запуска и адаптации open-source моделей под наши продукты.

Наш фокус - не теоретический R&D, а быстрая доставка готовых ML-решений в продакшен: взять проверенную открытую модель, дообучить под наши сценарии и задеплоить на собственном GPU-сервере.

Продуктовый бэкенд, базы данных и сбор данных закрывает основная команда разработки. Ваша зона ответственности - подбор и тюнинг моделей, инференс, производительность на GPU и качество генерации.

Чем предстоит заниматься:

• Сервинг и инференс: развернуть и сопровождать open-source модели (Qwen, Llama и др.) на выделенном сервере с GPU Nvidia через vLLM.
• Стилизация и адаптация (LoRA): дообучать модели под определенную персону (сленг, подача, характерные мысли) через LoRA / QLoRA с сохранением связности и логики ответов.
• Семантический поиск и классификация (RAG): собирать пайплайны контекстного поиска на базе эмбеддеров для русского языка (ruBERT / BGE / Sentence Transformers).
• AI-агенты: настраивать логику вызова инструментов и промпт-пайплайны под автономные задачи.
• Генерация изображений: поднять и настроить готовый сервис генерации картинок на базе open-source моделей (Flux / SDXL).

Что для этого нужно:

• Коммерческий опыт в прикладном ML / NLP от 2 лет.
• Опыт запуска и инференса LLM на видеокартах Nvidia (понимание vLLM, Docker, работы с CUDA и контролем видеопамяти без падений в OOM).
• Практический опыт файн-тюнинга через LoRA / QLoRA (Hugging Face PEFT, TRL, Unsloth).
• Понимание подготовки данных: фильтрация шума, сбор пар «промпт-ответ», предотвращение выгорания логики модели (catastrophic forgetting).
• Базовый опыт (или четкое понимание), как поднять готовый инференс для генерации картинок (Diffusers, ComfyUI API).

Будет плюсом:

• Уверенный прикладной Python: умение написать чистый скрипт предобработки данных, обернуть инференс в простую ручку на FastAPI или автоматизировать пайплайн без спагетти-кода.
• Опыт работы с легковесными NLP-моделями (ruBERT-tiny2) под задачи классификации текстов.

Условия:

• Формат: первые 1–2 месяца — офис в Москве, далее — удобный гибрид по запросу.
• Инфраструктура: выделенный сервер с мощными GPU Nvidia под задачи без очередей и квот.
• Команда и процессы: быстрый цикл принятия решений, понятные прикладные задачи и готовая бэкенд-команда на поддержке.

• Обучение и тренинги

Поисковые технологии — основа бизнес-группы Яндекс Поиска. Уже сегодня каждый пятый запрос связан с выбором товаров. Это направление обеспечивает 40% прибыли Поиска, и именно над ним мы работаем в стриме «Независимый Ecom».

Наша миссия — создать сервис, с помощью которого пользователи смогут удобно выбирать, сравнивать и покупать товары по выгодным ценам. Мы развиваем разные сценарии: классический товарный поиск, персональные подборки, поиск визуально похожих товаров, а также чатового AI-агента, который помогает определиться с выбором, когда пользователь ещё не знает точно, что ему нужно.

Наша команда улучшает ранжирование товаров, стремясь обеспечить максимальную полноту и релевантность результатов. В том числе среди всего обилия релевантных товаров нам надо найти именно выгодные предложения на удобных и надёжных сайтах. Наша цель — сделать весь путь от поиска товара до покупки максимально простым для пользователя. Кроме того, мы развиваем новые ML-инструменты, которые помогают отбирать лучшие оферы из огромной базы предложений и создавать новые сценарии выбора товаров.

Ищем ML-разработчика, который поможет нам улучшать релевантность товарного поиска и чатового агента — и вместе с нами строить будущее электронной коммерции.

Улучшение релевантности поиска оферов

На еком-срезе релевантность офера запросу — сложная задача, где нужно учитывать интент пользователя, характеристики товара, аспекты запроса, региональную доступность, цену, привлекательность изображения, доверие к продавцу и другие факторы. Например, если пользователь ищет «лёгкий ноутбук для работы», важно понять, что для него значимы вес, автономность, производительность для офисных задач, диагональ и цена. А если он ищет товар, похожий на что-либо, то критичны уже визуальные признаки. Для решения таких задач релевантности мы активно используем LLM и VLM: для разметки, оценки релевантности, понимания запросов, выделения аспектов и признаков. Затем эти сигналы дистиллируем в более быстрые модели, которые можно применять в продакшене.

Оферный поиск в агентских сценариях

Поиск должен быть удобен не только человеку, но и агенту, который собирает информацию для ответа. Для этого требуется значительно переработать поисковый стек, чтобы отдавать наиболее релевантные и конверсионные товары.

Усовершенствование поисковых механизмов

Современный товарный поиск должен справляться с разнообразными задачами, такими как нахождение минимальной цены, обеспечение хорошего разнообразия и прочие. Для этого необходимо постоянно перерабатывать механизм поиска и улучшать его в соответствии с вызовами современного рынка. Вы будете проектировать и внедрять ML-модели в продакшен, напрямую влиять на качество продукта и ключевые бизнес-метрики.

Больше об ML в Яндексе — в канале Yandex for ML

* Имели дело с NLP и LLM
* Умеете формулировать задачи в терминах ML, понимаете, как измерить результат, знакомы с разными алгоритмами и можете выбрать подходящий, решали ML-задачи на практике
* Знаете классические алгоритмы и структуры данных
* Заботитесь о высоком качестве конечного продукта
* Готовы погружаться в новые технологии

* Решали задачи в классическом ML, рекомендательных системах
* Занимались коммерческой разработкой
* Владеете C++ или готовы на него перейти

В нашей команде вас ждут сложные задачи на стыке research и systems engineering. Мы работаем с огромными мультимодальными данными, исследуем scaling laws, запускаем ресурсоёмкие распределённые обучения и собираем рецепты, которые делают модель сильнее не только на открытых тестах, но и в прикладных сценариях. Если вам хочется влиять на качество VLM на самом глубоком уровне — вам к нам.

Развивать претрейн мультимодальных моделей

Вам предстоит исследовать архитектурные решения, рецепты и режимы обучения для VLM. Нужно будет находить подходы, которые улучшают базовые способности модели, усиливают связь между визуальной и текстовой модальностями и дают устойчивый прирост качества не только на открытых бенчмарках, но и в реальных продуктовых задачах.

Работать с петабайтами мультимодальных данных

Качество претрейна во многом определяется данными. Вам предстоит работать с огромными массивами мультимодальных данных из разных доменов: image-text, OCR, документы, таблицы, графики, интерфейсы, видео, UGC. Важно принимать решения о составе обучающих данных: какие домены, форматы и пропорции усиливают модель, исследовать scaling laws, как снижать шум и превращать работу с данными в масштабируемый pipeline.

Работать с large-scale-обучением

Претрейн VLM — это длинные и ресурсоёмкие обучения, где важна сильная инженерная база. Вы будете работать с распределённым обучением, профилировать узкие места, следить за эффективностью использования GPU, улучшать стабильность запусков и воспроизводимость экспериментов.

Больше об ML в Яндексе — в канале Yandex for ML

* Получили опыт в CV, NLP и хорошо понимаете устройство современных LLМ/VLM
* Понимаете, как устроено распределённое обучение больших моделей
* Умеете формулировать исследовательские гипотезы и проверять их экспериментально
* Аккуратно ставите эксперименты, корректно сравниваете подходы и умеете выделять реальные улучшения
* Умеете писать рабочий и понятный код и доводить идеи до воспроизводимого результата

* Обучали большие модели или работали с крупными DL-системами
* Работали с pretrain-пайплайнами для LLМ или VLM
* Знакомы с Megatron, DeepSpeed, FSDP, PyTorch Distributed или аналогичными инструментами