Вакансии в ML и AI

Привет!

В течение более 30 лет существования нашей компании мы осуществили множество знаковых проектов. Наше оборудование используется в различных отраслях, а ключевые клиенты известны как в стране, так и за рубежом.

Более 30 лет мы создаём собственные технологические решения для построения современной телекоммуникационной инфраструктуры. Наши продукты используют тысячи компаний в России и за рубежом.

Мы самостоятельно разрабатываем программное обеспечение и оборудование, развиваем собственные технологии и создаём продукты, которые применяются в реальных инфраструктурных проектах.

Сейчас мы ищем ML Engineer в команду "Интеллектуальные сервисы".

Наша команда занимается разработкой решений на основе машинного обучения и искусственного интеллекта: Smart IVR, транскрибации конференций, автоматической суммаризации и голосовой аналитики.

Ищем инженера, которому интересно работать с ML-моделями на всех этапах - от подготовки данных и обучения до интеграции в продукт и запуска в production.

Чем предстоит заниматься

• Разрабатывать и развивать ML-сервисы для обработки речи и текстовой информации.

• Собирать, очищать, фильтровать и подготавливать данные для обучения моделей машинного обучения.

• Подбирать и применять алгоритмы классического Machine Learning и Deep Learning под конкретные бизнес-задачи.

• Обучать и дообучать модели, проводить эксперименты, подбирать гиперпараметры и оценивать качество решений.

• Проектировать и автоматизировать ML-пайплайны с использованием Airflow, Docker и MLflow.

• Разворачивать модели в production, интегрировать их с внутренними сервисами через API и микросервисную архитектуру.

• Участвовать в проектировании архитектуры ML-решений и развитии интеллектуальных сервисов компании.

Одна из первых задач — разработка MVP-пайплайна сервиса транскрибации конференций.

Что мы ожидаем от кандидата

• Опыт коммерческой разработки в области Machine Learning от 3 лет.

• Высшее техническое образование.

• Уверенное владение Python и опыт работы с библиотеками машинного обучения.

• Практический опыт подготовки данных, обучения и оценки качества ML-моделей.

• Хорошее понимание алгоритмов классического машинного обучения и принципов работы нейронных сетей.

• Опыт построения ML-пайплайнов и внедрения моделей в production.

• Опыт работы с Docker, Airflow и MLflow.

• Понимание принципов построения API и микросервисной архитектуры.

• Умение самостоятельно принимать технические решения и доводить задачи до результата.

• Знание английского языка для работы с технической документацией.

Будет плюсом

• Опыт работы с NLP и речевыми технологиями (ASR / Speech-to-Text).

• Опыт разработки сервисов распознавания речи и транскрибации аудиозаписей.

• Знакомство с LLM и задачами автоматической суммаризации.

• Опыт работы с PyTorch, TensorFlow и Hugging Face.

• Опыт разработки ML-сервисов с нуля до промышленной эксплуатации.

Мы предлагаем

• Официальное трудоустройство по ТК РФ и полностью белую заработную плату.

• Работу в аккредитованной ИТ-компании.

• ДМС и другие программы заботы о здоровье сотрудников.

• Интересные инженерные задачи и возможность участвовать в разработке интеллектуальных сервисов на основе ML и AI.

• Возможность влиять на архитектуру решений, выбор технологий и развитие продуктов.

• Корпоративное обучение, участие в профессиональных конференциях и обмен опытом с коллегами.

• Корпоративный спорт, собственный тренажёрный зал и мероприятия для сотрудников.

• Возможности профессионального и карьерного роста.

• Регулярный пересмотр заработной платы.

• Поддержку руководителя и команды на этапе адаптации.

• График работы 5/2, с 9:00 до 18:00.

• Конкурентную заработную плату, обсуждаемую индивидуально по результатам собеседования.

Присоединяйтесь к команде Элтекс!

Наша команда занимается созданием следующего поколения интеллектуальных систем для анализа рисков. Среди наших проектов:

• разработка NLP моделей на основе LLM, создание sota AI-агентов и мультиагентных систем для операционных и ESG-рисков
• создание transformer-based моделей для решения банковских задач на финансовых данных; моделирование финансовых рынков с помощью машинного обучения
• разработка классических ML-моделей для процесса кредитования, которые являются ядром бизнеса Сбера и ключевым драйвером прибыли.

и сейчас наша команда в поиске талантливых стажеров трех направлений: Data Scientist, LLM-researcher, и Quant-Risks в Управление риск-моделирования.

- разработка PoC и MVP AI-агентов на основе LLM с использованием фреймворков для работы с LLM, таких как langchain/langgraph

- адаптация и обучение LLM Сбера с использованием внутренних и внешних данных (Prompt Tuning, LoRA, SFT, GRPO)

- применение RL подхода для улучшения reasoning способностей модели.

• статус студента бакалавриата/магистратуры на момент трудоустройства

• знание статистики и ML/DL алгоритмов

• знание Python и ML-стэка (PyTorch, Scikit-learn, Pandas)

• понимание как устроен современный NLP (токенизация, обработка данных, эмбеддинги, pre-train модели и тд)

• опыт проектирования и обучения нейросетевых моделей (от CNN/RNN до трансформеров)

• опыт построения RAG (классический RAG, GraphRAG, Agentic RAG)

• знание классических алгоритмов (two pointers, бинарный поиск) и структур данных (куча, стэк, бинарное дерево)

• уверенный английский язык для чтения и анализа научных статей и документации

• формат работы: офис в г. Москва, рядом с м. Кутузовский пр.

• гибкий график и возможность совмещать с учебой: от 30 до 40 часов в неделю

• возможность заниматься спортом в одном из спортзалов банка

• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров

• вознаграждение за рекомендацию друзей в команду Сбера.

Наша команда занимается оценкой и управлением модельных рисков различных AI-решений Банка. Наши сотрудники участвуют в проектах по улучшению моделей машинного обучения, AI-агентов и оптимизации их применения в бизнес-процессах Сбера. Мы создаем инструменты для мониторинга, управления и снижения модельного риска по всем бизнес-направлениям. Открытая вакансия находится на стыке DS и дата-аналитики, успешный кандидат значительно расширит кругозор в части того, какие ML-модели и AI-агенты работают в ПРОМ процессах и как влияют на бизнес Банка.

Мы:

• мониторим и валидируем все значимые ML-модели и AI-агентов Сбера, влияющих на финансовый результат. Мониторинг/валидация - всесторонняя проверка модели, включая попытки по автоматическому построению лучшего альтернативного AI-решения, челлендж подхода.

• разрабатываем и автоматизируем методы для мониторинга/валидации Ai-решений различных классов

• строим систему отчетности для управления модельным риском.

• разбираться в результатах работы различных ML-моделей и AI-агентов, анализировать влияние моделей на бизнес-процессы Банка, искать возможные ошибки и проблемы в моделях

• разбираться в структуре различных моделей, тестировать корректность AI-решений, челленджить подход разработчика, разрабатывать альтернативные алгоритмы (внутренний Kaggle), оценивать применимость подхода с учетом имеющихся норм и макроэкономической конъюнктуры

• исследовать подходы к моделированию и валидации различных классов моделей, определять их методологию

• автоматизировать алгоритмы валидации для внедрения в процессы автомониторинга

• разрабатывать и автоматизировать подходы по нахождению ошибок в коде внедрения моделей и минимизации возникновения инцидентов операционного риска.

• статус студента бакалавриата/магистратуры на момент трудоустройства

• знание машинного обучения и статистического анализа

• знание мат. статистики, алгоритмов, структур данных

• опыт работы с LLM и агентными системами через API

• знание Python и основных библиотек анализа данных

• знание SQL, навыки работы с базами данных

• опыт работы в рисках, знание основ управления рисками в Банке

• коммуникабельность, умение эффективно вести переговорный процесс с подразделениями Банка

• большой плюс: опыт работы с регуляторными моделями Basel

• большой плюс: опыт модельной аналитики и управления модельным стэком в бизнес-процессе

• навыки работы с генеративными AI-моделями; опыт создания AI-агентов и использования их в работе будет преимуществом.

• гибкий график и возможность совмещать с учебой: от 20 до 40 часов в неделю

• возможность заниматься спортом в одном из спортзалов банка

• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров

• вознаграждение за рекомендацию друзей в команду Сбера.

Мы — команда ПКАП AEF, развивающая платформу данных внутри AEF (Agent Execution Framework — среды исполнения и управления AI-агентами в контуре банка), которая получает и обрабатывает трейсы работы агентов, формирует витрины для мониторинга, оценки качества и развития AI-агентов, а также для команд разработки, аналитики и внутренних потребителей Банка. Ищем инженера данных, умеющего доводить решения до промышленной эксплуатации и готового отвечать за их работу после запуска.

• разрабатывать и выводить в ПРОМ витрины на SQL, Spark, Scala.

• разрабатывать сервисы для обработки и поставки данных.

• готовить данные для исследований в лабораторном контуре: работать с трейсами, техническими показателями и метриками AI-агентов.

• сопровождать витрины: анализировать логи и метрики, находить причины сбоев, устранять их и предотвращать повторение.

• разрабатывать проверки качества данных и тестировать расчёты

• поддерживать техническую документацию и базу знаний, консультировать внутренние команды по составу и использованию данных.

• опыт в data engineering от 3х лет

• практический опыт разработки на PySpark или Spark

• опыт разработки на Python или Scala

• уверенное знание SQL (сложные запросы, оптимизация)

• практический опыт работы с Hadoop, включая HDFS, YARN и Hive.

• понимание устройства хранилищ данных, принципов построения витрин и организации потоков данных от источника до потребителя.

• опыт вывода расчётов или сервисов в промышленную среду: Git, CI/CD, тестирование, диагностика сбоев по логам и метрикам.

• знание и регулярное использование LLM-инструментов для инженерных задач. Важно уметь оценивать их ответы и самостоятельно отвечать за качество итогового решения.

• комфортный, современный офис 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 (для Junior позиций)

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

• льготная ипотека для каждого сотрудника

• бесплатная подписка Прайм с возможностью совместного использования на трёх близких

• вознаграждение за рекомендацию друзей в команду Сбера.

• корпоративная пенсионная программа

• отсутствие строгого дресс-кода.

Наша команда проводит R&D исследования:

- разработка подходов по настройке AI агентов для решения бизнес-задач

- разработка архитектуры для мультиагентных сред (протоколы общения между агентами, передача контекстов)

- разработка подходов для решения нефункциональных требования в мультиагентных средах (скорость, надежность, безопасность).

Первый этап отбора на эту вакансию – общение с AI-рекрутером. После отклика ждите сообщение от него в Сберчате, 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!

• проведение исследований через создание прототипов

• разработка инструментария для AI агентов

• разработка технической документации

• выстраивание детальной архитектуры решения.

• более 5 лет опыта разработки на Python

• практический опыт работы с технологиями искусственного интеллекта (Longchain, llama-index, prompt engineering, RAG и т.д.)

• подтвержденный опыт разработки и внедрения решений, основанных на ИИ

• отличные навыки решения проблем и внимание к деталям

• отличные навыки общения и совместной работы

• умение работать самостоятельно и в команде

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

• комфортный современный офис рядом с м. Кутузовский проспект

• формат работы – гибрид

• ежегодный пересмотр зарплаты, годовая премия

• корпоративный спортзал и зоны отдыха

• более 400 образовательных программ СберУниверситета для

• профессионального и карьерного развития

• расширенный ДМС, льготное страхование для семьи и корпоративная

• пенсионная программа

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

• подписка Прайм с возможностью совместного использования на трёх близких.

• Загружать и собирать данные из открытых источников по заданным правилам.
• Приводить таблицы и файлы к единому формату: переименовывать поля, преобразовывать типы, удалять дубли, проверять пропуски.
• Писать Python-скрипты для повторяющихся операций с данными.
• Объединять и разделять наборы данных по заданной логике.
• Проверять корректность результата и формировать простые отчеты о найденных проблемах.
• Подготавливать данные для дальнейшего анализа исследователями и программными системами.
• Дорабатывать существующие скрипты и небольшие Flask-интерфейсы под конкретные задачи.
• Работать с инструкциями и техническими заданиями, фиксировать выполненные шаги и поддерживать порядок в файлах и версиях.

• Стартовая или развивающая позиция для человека, который уже умеет программировать и хочет научиться профессионально работать с научными данными.

  Ищем инженера данных, которому интересно программирование и практическая работа с большими массивами научной информации. Опыт работы не обязателен: важнее уверенные базовые навыки программирования, способность разбираться в задаче и готовность аккуратно работать с данными. Эта позиция предполагает меньше самостоятельного проектирования, чем вакансия аналитика данных, и может стать хорошей точкой входа в цифровую науку и научное программирование.

  Кому подойдет эта работа

• Выпускникам и специалистам в начале карьеры, которые уже программируют и хотят быстро вырасти на реальных задачах.
• Тем, кому интереснее создавать работающие инструменты и наборы данных, чем заниматься исключительно теоретическим программированием.
• Тем, кто хочет перейти из учебных проектов в профессиональную R&D-среду.

• Что важно для нас

• Навыки программирования обязательны; основной рабочий язык — Python.
• Понимание базовых конструкций Python, функций, модулей, работы с файлами и исключениями.
• Умение работать с табличными данными и хотя бы одним инструментом типа pandas.
• Базовое понимание CSV, JSON, Excel и структуры данных.
• Умение устанавливать Python-пакеты, пользоваться виртуальными окружениями и запускать готовые программы.
• Готовность разбираться в чужом коде и искать причину ошибки.
• Аккуратность, логическое мышление, способность следовать методическим инструкциям.
• Готовность учиться и постепенно брать на себя более самостоятельные задачи.

• Будет преимуществом

• Учебные или личные проекты на Python, GitHub-профиль, участие в хакатонах или исследовательских проектах.
• Базовые знания Flask, SQL, Git, Linux или командной строки.
• Химическое, техническое, физико-математическое или естественно-научное образование.
• Опыт работы с научными данными, даже если это было в рамках диплома, курсовой работы или стажировки.

• Что полезно приложить к отклику

• Резюме.
• При наличии — ссылка на GitHub или любой пример кода, который вы писали самостоятельно.
• Можно указать курсовые, дипломные, учебные или личные проекты: коммерческий опыт не является обязательным.

• Работу в ИОХ РАН — одном из лидеров цифровой трансформации российской науки.
• Участие в активном научном коллективе — одном из ведущих мировых исследовательских центров по ИИ в химии.
• Задачи с реальными научными данными, программами и исследовательскими проектами, а не только с типовыми коммерческими кейсами.
• Возможность профессионального роста, участия в публикациях и научных проектах; при желании — возможность подготовки и защиты диссертации.
• Официальное оформление по ТК РФ, полностью официальную заработную плату и оплачиваемый отпуск.
• Очный формат работы. Дистанционная работа не предусмотрена.
• Гибкий режим по количеству рабочих часов в день; конкретный график согласуется с учетом задач и загрузки

Мы ищем специалиста, который с помощью системы речевой аналитики будет детально разбирать и оценивать, как наши роботы (Voice- и Chat-бот) общаются с клиентами. Ключевая задача: техническая настройка самой речевой аналитики: улучшение качества промтов (Prompt Engineering для AI/LLM) и дообучение ML-моделей внутри системы, чтобы максимально точно выявлять «боли» клиентов, ловить системные ошибки ботов и предлагать изменения в процессах банка.

Задачи в этой роли:

Настройка речевой аналитики (ML, AI-промты) и поиск «болей»:

• Разработка, тестирование и оптимизация промтов (Prompt Engineering) внутри системы речевой аналитики для точного тегирования, классификации и определения скрытых «болей» клиентов в диалогах с ботами;
• Участие в обучении и дообучении классических ML-моделей речевой аналитики: разметка датасетов, корректировка классификаторов интентов и сущностей для повышения точности аналитики;
• Мониторинг и регулярный аудит диалогов ботов с клиентами банка для поиска системных сбоев, ложных срабатываний и «тупиков» в логике роботов.

Аналитика, отчетность и изменение процессов:

• Формирование регулярных отчетов о качестве работы ботов (метрики: CSI, FCR, уровень перевода на оператора, точность распознавания);
• Проектирование и внедрение новых вариантов отчетов, дашбордов и срезов данных для комплексной оценки роботизации;
• Выявление системных проблем клиентов на основе данных речевой аналитики и инициация изменений в процессах банка;
• Регулярное формирование предложений по улучшению самой речевой аналитики.

Поддержка и развитие системы речевой аналитики (Кросс-функционал):

• Техническое взаимодействие с поддержкой платформы речевой аналитики (заведение инцидентов, контроль багов системы);
• Оперативное информирование заинтересованных подразделений банка о технических инцидентах, сбоях или выходе новых фич самой системы речевой аналитики;
• Подготовка и проведение демо-показов возможностей речевой аналитики и её новых фич для смежных команд и бизнес-заказчиков;
• Выстраивание коммуникаций с соседними отделами для совместной доработки банковских процессов.

Необходимая экспертиза:

Hard Skills:

• Опыт работы с системами речевой аналитики от 1 года;
• Практический опыт работы с ML- и AI-моделями: понимание принципов классического машинного обучения (разметка данных, классификация интентов, NLU) и опыт написания качественных промтов для LLM-моделей под задачи аналитики текста/речи;
• Понимание базовых метрик эффективности чат- и голосовых ботов;
• Уверенное владение инструментами отчетности (Excel — продвинутый уровень, знание BI-систем будет плюсом);
• Опыт работы в банках, финтехе или крупном ритейле/телекоме приветствуется.

Soft Skills:

• Развитые коммуникативные навыки: умение аргументированно доносить инсайты до смежных команд, договариваться об изменениях в процессах банка;
• Навыки презентации: способность уверенно проводить демо возможностей речевой аналитики и объяснять логику её работы простым языком;
• Аналитический склад ума, внимание к деталям и проактивность (нацеленность на поиск ценности для бизнеса).

Юзтех – группа аккредитованных ИТ-компаний полного цикла разработки с многолетней экспертизой в передовых технологиях: DWH, BigData, AI/ML, Blockchain, BI, предиктивная аналитика, цифровые двойники производства и рисков.

ГК Юзтех является технологическим партнером таких компаний, как Mail.ru, 2Gis, НЛМК, Еврохим, ГоИнвест, Альфа-Банк, Сбер, ВТБ, МКБ, Самолет, Х5 retail Group, Газпромнефть, Леруа Мерлен, Ситилинк, Ланит, IBS. Также, ГК разрабатывает собственные ИТ-продукты (Юзбас, Октопус, Тил Эйчар) и флагманские проекты, которыми пользуется 70% населения страны.

Сфера:

Ищем Data Engineer / ML Engineer для разработки интеллектуальной системы контроля качества данных. Предстоит создавать и внедрять ML- и статистические методы выявления аномалий, дрейфа данных и отклонений в метриках, а также интегрировать решения в production-пайплайны.

Формат работы: Москва, гибрид (офис 1 раз в неделю).

Мы ожидаем:

• Опыт работы в ML / Data Science от 3 лет.

• Уверенное знание Python (pandas, NumPy, scikit-learn) и SQL.

• Обязательный опыт работы с Apache Airflow и машинным обучением (ML).

• Практический опыт работы с PySpark, Hadoop/Hive, MLflow.

• Хорошее понимание математической статистики и классических ML-алгоритмов (регрессии, деревья решений, бустинги).

• Опыт выявления аномалий, анализа дрейфа данных и работы с временными рядами.

• Опыт вывода ML-моделей в production, мониторинга и версионирования.

• Понимание принципов Data Quality и методов контроля качества данных.

• Умение выбирать оптимальный подход к решению задачи: SQL-проверки, статистические методы или ML.

Задачи:

• Разрабатывать и внедрять ML- и статистические методы контроля качества данных (Data Quality).

• Выявлять аномалии, дрейф распределений, нарушения сезонности и нетипичные изменения метрик.

• Проектировать проверки качества данных: полнота, уникальность, актуальность, корректность.

• Исследовать данные, тестировать гипотезы и прототипировать новые методы обнаружения отклонений.

• Работать с временными рядами и моделями машинного обучения.

• Валидировать решения на исторических данных, анализировать ложные срабатывания.

• Интегрировать решения в production-пайплайны на Airflow, PySpark, Hadoop/Hive.

• Настраивать мониторинг, алертинг и сопровождать разработанные решения.

Мы предлагаем:

• Карьерную и профессиональную возможность в стабильной, аккредитованной ИТ-компании;
• Расширенный полис ДМС со стоматологией, корпоративный психолог;
• Необходимую технику для комфортной работы;
• Обучение, сертификацию, клуб английского языка;
• Доступ к Корпоративной библиотеке и к Корпоративному университету;
• Внутрикорпоративные профильные коммьюнити;
• Заботу о детях сотрудников: корпоративные скидки, подарки, детские дни;
• Геймифицированную программу лояльности: поверь, ты будешь восторге от нашего корпоративного магазина;
• Корпоративную жизнь: мы много работаем и классно отдыхаем.

Основные задачи:

• Проектировать масштабируемую, надёжную и производительную архитектуру единой платформы данных;
• Разрабатывать и сопровождать техническую дорожную карту платформы, синхронизированную с бизнес-целями и потребностями исследователей;
• Анализировать и обеспечивать характеристики scalability, reliability и performance ключевых компонентов;
• Проектировать и внедрять системы оркестрации многоэтапных пайплайнов обработки данных;
• Разрабатывать ключевые компоненты платформы: панель управления, оркестраторы, агенты, API, SDK;
• Создавать и развивать self-service инструменты, позволяющие дата-инженерам и аналитикам автономно запускать, мониторить и контролировать пайплайны;
• Обеспечивать мультитенантность, разграничение доступа и аудит-логирование действий пользователей;
• Обеспечивать целостность, надёжность и безопасность данных на всех этапах обработки;
• Оптимизировать использование вычислительных и storage-ресурсов: проводить capacity planning, performance benchmarking, выявлять и устранять узкие места;
• Развивать observability-направление: мониторинг, APM, алертинг для своевременного обнаружения деградаций;
• Формировать и внедрять технические стандарты платформенной команды: архитектурные принципы, подходы к надёжности, code review, требования к документации;
• Систематизировать процессы разработки, унифицировать технологический стек и инструментарий;
• Систематизировать и вести техническую документацию по платформенным сервисам и архитектурным решениям.

Требования:

• Опыт проектирования горизонтально масштабируемых, отказоустойчивых data-intensive систем на bare-metal/VM-инфраструктуре и/или в Kubernetes;
• Понимание архитектурных компромиссов и умение выбирать решения под конкретные рабочие нагрузки: оркестрация, хранение, доступ, мониторинг;
• Уверенное владение Python;
• Опыт разработки бэкенд-сервисов и API с использованием FastAPI;
• Опыт работы с оркестраторами пайплайнов: Airflow, Dagster и другие;
• Понимание HTC/HPC-систем;
• S3-совместимыми хранилищами;
• Понимание объектного и файлового хранения для нагрузок с интенсивной обработкой данных: производительность, масштабируемость, модели доступа;
• Опыт построения CI/CD-пайплайнов в GitLab (тестирование, сборка, деплой сервисов платформы);
• Способность принимать и аргументировать системные архитектурные решения, увязывая требования надёжности, производительности и стоимости;
• Опыт формирования технических стандартов: архитектурные принципы, code review, инженерная документация, практики эксплуатации.

Будет плюсом:

• Опыт разработки на Go;
• Глубокое понимание Kubernetes: запуск рабочих нагрузок, модель операторов, сетевые политики, безопасность;
• Опыт работы с планировщиками типа Slurm;
• Опыт работы с Singularity/Apptainer контейнерами;
• Опыт в домене биотехнологий/биоинформатики и понимание специфики рабочих нагрузок (позволит быстрее войти в контекст).

Условия:

• Интересные проекты федерального уровня с минимумом бюрократии, главное – результат;
• Практическая направленность работы на получение реально работающих уникальных продуктов в сфере генетики / медицины / биологии, на стыке ИТ и передовой науки;
• Оформление по ТК РФ, достойный уровень з/п;
• Работа в быстрорастущей, стабильной организации, которой не страшен кризис;
• График работы 5/2, плавающее начало рабочего дня, гибридный график работы после испытательного срока;
• Бронь от мобилизации.

В кластере мониторинга корпоративного портфеля Блока "Риски" открыта вакансия Senior DS (LLM & AI Agents).

Ищем специалиста, способного проектировать эффективные LLM-решения для мониторинга кредитных рисков средних и крупных компаний в портфеле Сбера,

формулировать и тестировать гипотезы их улучшения, разработать систему модельных и бизнес-метрик, писать код для внедрения в промышленный процесс.

• разработка мультиагентной системы мониторинга корпоративных клиентов

• построение llm evals suite для контроля качества работы системы

• построение RAG: сбор данных, настройка hybrid search, reranking

• интеграция с другими агентами (A2A) и сервисами.

• опыт разработки и внедрения LLM-based решений и AI-агентов: от прототипирования до промышленной эксплуатации

• опыт разработки в фреймворках: LangChain, LangGraph

• опыт решения прикладных задач с использованием RAG, tool calling, structured output, multi-step reasoning и agentic workflows, включая интеграцию с корпоративными данными и сервисами

• опыт применения асинхронного и многопоточного программирования (aiohttp, asyncio, multiprocessing)

• знание классического ML (scikit-learn, pandas, scipy), основ математической статистики

• владение git, SQL, bash.

Будет плюсом:

• опыт работы в финансовых организация и знание доменной области (кредитные риски)

• опыт работы с Kubernetes, понимание принципов MLOps и CI/CD.

• работа в удобном и современном офисе недалеко от станции метро Кутузовская

• ежегодный пересмотр зарплаты, годовая премия

• корпоративный спортзал и зоны отдыха

• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

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

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

• подписка Прайм с возможностью совместного использования на трёх близких

• вознаграждение за рекомендацию друзей в команду Сбера.

Мы— команда дата-инженеров, которая строит и поддерживает ядро данных. Мы создаем надежные ETL-процессы, проектируем хранилища данных и обеспечиваем аналитиков и дата-сайентистов качественными данными.

Мы ищем:

Инженера данных, который не только умеет строить ETL-пайплайны и витрины, но и мыслит как инженер по качеству данных (Data QA), проходя полный цикл: от проектирования и разработки скриптов сбора данных до внедрения комплексных стратегий их тестирования.

• Разработка и поддержка ETL/ELT скриптов и пайплайнов.

• Написание и оптимизация SQL-запросов для извлечения и преобразования данных.

• Помощь в мониторинге выполнения джобов, поиск и первичный анализ ошибок.

• Тестирование данных, как код:

• -разработка и внедрение стратегии тестирования (Data Testing Strategy) для пайплайнов данных.

• -будет преимуществом - написание и поддержка автоматических тестов для данных: проверка целостности (integrity), свежести (freshness), качества (quality), соответствия схеме (schema conformity), точности бизнес-правил (accuracy).

• -будет преимуществом - интеграция тестов в CI/CD пайплайны (с использованием, например, dbt test, Python-скриптов, Unit-тестов).

• Работа с документацией по существующим процессам и создание новой.

• Активное участие в код-ревью, изучение лучших практик командной разработки витрин.

• Понимание основ SQL: умение писать запросы с JOIN, GROUP BY, подзапросами. Оконные функции — будут преимуществом.

• Практические знания и навыки Python для целей ETL: понимание структур данных, работа с библиотеками (Pandas, Requests), написание скриптов.

• Понимание принципов работы баз данных: что такое индекс, нормализация, транзакция.

• Понимание принципов ETL/ELT и зачем это нужно.

• Опыт с фреймворками оркестрации: Airflow, Trino, Dagster или аналоги.

• Опыт тестирования данных: практическое применение одного из подходов/инструментов: dbt test, Great Expectations, Pandas/Spark + pytest, unit-тестирование.

• Готовность учиться, внимательность к деталям

Будет огромным плюсом (Nice to have):

• Опыт работы с любым из классических DWH (PostgreSQL, ClickHouse и т.д.) или облачными платформами (Redshift) даже в учебных целях.

• Основы командной строки (Linux).

• Понимание контейнеризации (Docker)

• Умение работать с API.

• офисный формат работы (современный офис в Москве м. Кутузовский проспект c зонами отдыха и спортзалом)

• годовой бонус и ежегодный пересмотр

• обучение за счет Компании: Корпоративный университет, онлайн курсы, неограниченный доступ к библиотеке, тренинги, митапы и возможность получить новую квалификацию

• расширенный ДМС с первого дня + стоматология и льготное страхование для семьи

• льготная ипотека в Сбере

• корпоративная пенсионная программа

• бесплатная подписка СберПрайм

Почему открыта вакансия

Teez быстро растет, и объем данных, который проходит через наши системы, постоянно увеличивается. Нам нужен Data Engineer, который поможет строить надежную инфраструктуру данных, развивать пайплайны и обеспечивать качественную доставку данных для аналитики, ML и бизнес-команд.

В этой роли предстоит работать с batch- и streaming-данными, развивать хранилища и витрины и участвовать в архитектурных решениях.

Чем предстоит заниматься

• Разрабатывать и поддерживать ETL/ELT и CDC-пайплайны для batch- и streaming-данных.

• Интегрировать различные источники данных и развивать слой хранения и витрин.

• Работать с PostgreSQL, ClickHouse, S3 / lakehouse.

• Обеспечивать качество и надежность data-пайплайнов: тестирование, мониторинг, алертинг и разбор инцидентов.

• Развивать оркестрацию и CI/CD для data-процессов.

• Участвовать в проектировании архитектуры data-платформы и технических решениях.

• Проводить code review и улучшать существующие решения.

• Документировать пайплайны, модели данных и правила их эксплуатации.

• Оптимизировать производительность и надежность процессов обработки данных.

Кого ищем

Нам нужен Data Engineer, который:

• имеет 2+ года опыта в Data Engineering в production-среде;

• уверенно владеет SQL и Python;

• понимает принципы моделирования данных и построения DWH / lakehouse;

• имеет практический опыт работы с PostgreSQL и/или ClickHouse;

• работал с Airflow и Kafka;

• понимает принципы CDC, партиционирования, идемпотентности и контроля качества данных;

• умеет работать с Git, Docker и CI/CD;

• способен самостоятельно находить причины сбоев и проблем производительности data-пайплайнов.

Будет плюсом

• dbt

• Debezium / Flink CDC

• S3-совместимые хранилища

• Apache Spark

• Kubernetes

• Опыт работы с высокими объемами данных и streaming-системами.

Что предлагаем

• Работу в быстрорастущем казахстанском marketplace.

• Реальные задачи по построению и масштабированию data-инфраструктуры.

• Современный стек и возможность влиять на архитектуру data-платформы.

• Тесное взаимодействие с Data Scientists, Data Analysts, разработчиками и бизнес-командами.

• Сильную инженерную культуру и минимум бюрократии.

• Возможность развиваться в направлении Data Engineering / Big Data / Data Platform.

• Комфортный офис в Алматы.

О вакансии

Мы ищем Senior Computer Vision / ML Engineer для прикладного AI-проекта по обработке архитектурной и инженерной документации.

Вы будете создавать production-ready ML и CV решения, которые превращают технические чертежи, CAD/BIM-данные и сложные документы в структурированные инженерные данные. Нужен специалист, который готов взять на себя ML-направление, оспаривать предположения и понятно объяснять технические решения и компромиссы.

Обязанности

• Разрабатывать computer vision и machine learning решения для архитектурных чертежей, технических документов, CAD и BIM-данных.

• Строить пайплайны, объединяющие растровые изображения, векторную геометрию, структурированные инженерные данные, OCR и ML-модели.

• Восстанавливать структурированные объекты из геометрических примитивов, включая топологию и пространственные связи.

• Анализировать плотные технические чертежи и документы с учетом их структуры и семантики, а не только визуального детектирования объектов.

• Проектировать и поддерживать evaluation-пайплайны: ground-truth данные, метрики качества, регрессионное тестирование, проверка на невиданных данных.

• Создавать human-in-the-loop процессы с калиброванными confidence score и эскалацией неуверенных случаев на проверку человеком.

• Оценивать современные подходы к пониманию планов этажей и технических документов: detection, segmentation, transformer-based модели, raster-to-vector reconstruction.

• Разрабатывать production-ready inference-сервисы с CPU inference по умолчанию и опциональным GPU-ускорением.

• Обеспечивать воспроизводимость обучения и инференса: версионирование моделей, упаковка, требования к деплою.

• Передавать модели заказчикам для самостоятельного деплоя и дальнейшего обучения.

• Быть техническим лидером по ML и CV решениям в небольшой инженерной команде.

• Напрямую общаться с техническими стейкхолдерами и объяснять ограничения ML, компромиссы и решения на английском языке.

• При необходимости аргументированно оспаривать предложенные подходы и предлагать лучшие альтернативы на основе технических данных.

Требования

• 5+ лет профессионального опыта в machine learning или computer vision, включая вывод ML-решений в production.

• Сильные знания в computer vision, machine learning и оценке моделей.

• Подтвержденный опыт валидации качества моделей с помощью измеримых метрик и реальных данных.

• Практический опыт с векторной геометрией, структурированными данными, топологией и пространственными связями.

• Опыт обработки технических документов, диаграмм или чертежей, где важны структура и связи.

• Опыт проектирования evaluation-пайплайнов: ground-truth датасеты, регрессионное тестирование, проверка обобщения.

• Опыт создания human-in-the-loop ML-систем и работы с неуверенными предсказаниями.

• Опыт обеспечения воспроизводимости ML-обучения и подготовки моделей к самостоятельному деплою или дальнейшему обучению.

• Понимание версионирования моделей и датасетов, а также соответствующих лицензионных ограничений.

• Опыт технического лидерства в небольшой инженерной команде.

• Опыт прямой коммуникации с техническими заказчиками или стейкхолдерами.

• Английский B2–C1, сильные навыки устной коммуникации.

• Русский C1–C2

Будет плюсом

• Опыт с архитектурными или строительными чертежами, BIM-моделями, подсчетом объемов работ или оценкой стоимости.

• Знакомство с исследованиями в области распознавания планов этажей, raster-to-vector reconstruction или понимания структурированных документов.

• Опыт парсинга CAD и BIM форматов, включая битые, неполные или несогласованные экспорты.

• Опыт с OCR для европейских языков и отраслевой терминологии.

• Опыт оптимизации ML-инференса для CPU-only окружений.

• Опыт деплоя ML-сервисов в изолированных средах заказчика без внешних зависимостей.

• Опыт с графовыми представлениями инженерных структур или планировок зданий.

• Умение читать технические чертежи на немецком или французском языке.

• Немецкий или французский на уровне B1–B2.

Условия

• Удаленный формат, гибкая локация.

• Работа в небольшой команде с прямой коммуникацией и влиянием на технические решения.

• Проект на стыке applied AI, computer vision, CAD/BIM и инженерной документации.

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! Это команда ML Платформы. Мы отвечаем за стандартизацию процессов MLOps и ModelOps: разрабатываем и поддерживаем сервисы и пакеты для запуска пайплайнов машинного обучения, трекинга экспериментов, хранения и версионирования моделей и датасетов, а также инференса и мониторинга моделей.

Наша команда разрабатывает сервисы для всех дата-сайентистов, адаптирует инструменты ML-инфраструктуры под потребности отдельных команд, занимается кастомными интеграциями и исследованиями.

Ищем инженера, который готов вместе с нами развивать платформенную инфраструктуру и поддерживать высокий уровень инженерной культуры в компании.

Наш стек

• Go с платформенными интеграциями, Kubernetes, GitLab CI, PostgreSQL, Redis, ClickHouse, Kafka, Python для скриптов.

Примеры задач

• Поддержка совместной разработки для нескольких пользователей одновременно в jupyterhub.

• Разработка сервиса по запуску интерактивных контейнеров на GPU.

• Интеграция с платформенными сервисами по выделению общих хранилищ для команд.

Вы будете

• Разрабатывать и развивать сервисы ML-платформы.

• Проектировать микросервисную архитектуру и интегрироваться с платформенными сервисами.

• Участвовать в код-ревью и поддерживать качество кодовой базы.

• Исследовать и внедрять новые инструменты для улучшения ML-инфраструктуры.

Нам важно

• Опыт коммерческой разработки на Go от трех лет, понимание тонкостей языка.

• Опыт работы с Kubernetes, умение дебажить проблемы с помощью kubectl.

• Понимание принципа «at least once».

• Опыт проектирования микросервисной архитектуры.

• Желание строить качественную ML-платформу и развивать её.

Будет плюсом

• Умение читать и дебажить код на Python.

• Опыт работы с JupyterHub.

• Опыт построения дашбордов в Grafana.

• Опыт работы с ML и понимание MLOps-практик.

Почему открыта вакансия

Teez быстро растет, и мы развиваем data-driven подход во всех ключевых направлениях бизнеса. Ищем Data Scientist, который будет разрабатывать ML-модели для реальных задач e-commerce и помогать превращать данные в решения, которые влияют на бизнес-метрики.

В этой роли предстоит работать на стыке данных, машинного обучения и бизнеса — от исследования данных и экспериментов до внедрения моделей в production.

Чем предстоит заниматься

• Разрабатывать ML-модели для задач динамического ценообразования, прогнозирования спроса, сегментации и рекомендаций.

• Проводить исследование данных, feature engineering, обучение и валидацию моделей.

• Проектировать эксперименты и метрики качества, сравнивать различные подходы и оценивать бизнес-эффект моделей.

• Контролировать качество моделей и отслеживать их деградацию после выхода в production.

• Совместно с Data Engineers внедрять модели в production-пайплайны.

• Автоматизировать расчет признаков, скоринга и других ML-процессов.

• Документировать подходы, результаты экспериментов и ограничения моделей.

• Взаимодействовать с бизнесом и командой разработки, чтобы переводить бизнес-задачи в ML-решения.

Кого ищем

Нам нужен Data Scientist, который:

• имеет 2+ года опыта в Data Science / Machine Learning;

• уверенно владеет Python и SQL;

• имеет практический опыт работы с pandas, NumPy, scikit-learn;

• хорошо понимает и применяет алгоритмы градиентного бустинга (CatBoost, LightGBM, XGBoost);

• имеет опыт работы с временными рядами и оценки качества ML-моделей;

• понимает статистику, A/B-тестирование, feature engineering, data leakage и правильную валидацию моделей;

• умеет доводить модели до production совместно с инженерами;

• знаком с Git, Docker и базовыми MLOps-практиками;

• умеет не только строить модели, но и объяснять их результаты и бизнес-эффект.

Будет плюсом

• Опыт в e-commerce / retail.

• Опыт работы с dynamic pricing.

• Опыт построения рекомендательных систем.

• Spark.

• MLflow или аналогичные инструменты.

• Опыт работы с большими объемами данных и высоконагруженными системами.

Что предлагаем

• Работу над быстрорастущим казахстанским marketplace.

• Реальные ML-задачи, напрямую связанные с бизнес-метриками.

• Возможность влиять на развитие data-driven и AI-направления компании.

• Современный стек и сильную инженерную среду.

• Тесное взаимодействие с Data Engineers, аналитиками, разработчиками и бизнесом.

• Возможность развиваться в направлении Machine Learning / AI / Data Science.

• Официальное трудоустройство.

• Комфортный офис в Алматы.

• График 5/2, полный рабочий день.

Привет! Меня зовут Ренат Гайсин, я развиваю новые продукты в «Дадате».

Мы создаём дата-продукты для B2B-маркетинга и продаж и хотим собрать максимально полное представление о российских компаниях на основе открытых источников. Наша задача — превратить разрозненные тексты, сайты и документы в структурированные данные, которые приносят пользу нашим клиентам.

Для этого я ищу AI/LLM инженера, который возьмёт на себя весь цикл работы с неструктурированными данными: от сбора и обработки сырой информации до оценки качества и превращения результата в продукт.

В этой роли предстоит многое выяснять и выстраивать с нуля. Поэтому ищу человека, которому комфортна высокая неопределённость, интересно разбираться в новом, умеет самостоятельно находить решения и брать ответственность за результат.

DaData — облачный B2B-сервис, который приводит в порядок и обогащает данные: адреса, ФИО, телефоны и сведения о компаниях. Каждый день нашими сервисами пользуются тысячи компаний и миллионы их клиентов.

Чем предстоит заниматься:

• Проектировать и настраивать пайплайны по сбору и обработке данных из новых источников;

• проектировать и настраивать LLM-агентов для поиска и сбора информации о компаниях из интернета;

• придумывать и создавать бенчмарки для оценки качества работы агента;

• обучать и использовать ML/NLP модели для классификации и сегментации.

Мы ожидаем, что вы:

• Уверенно владеете Python и библиотеками для анализа данных — pandas, numpy;

• имеете прикладной опыт работы с LLM и понимаете, как они устроены;

• работали с большими объёмами текстовых и неструктурированных данных (у нас могут быть миллионы строк и терабайты текста);

• строили пайплайны по сбору и обработке данных;

• знакомы с классическими методами построения ML и NLP моделей и метриками качества их оценки;

• активно используете AI-инструменты в повседневной работе — Codex, Claude Code, Cursor.

Дополнительным плюсом будет, если вы:

• Создавали бенчмарки и оценивали качество работы LLM и агентских систем;

• работали с веб-парсингом — Scrapy, Playwright, Requests, Beautiful Soup;

• настраивали локальные LLM или системы их оркестрации — vLLM, Ollama;

• работали с данными российских юридических лиц и ИП.

Что мы предлагаем:

• Конкурентная заработная плата и ее пересмотр минимум раз в год;

• гибкое начало и окончание рабочего дня;

• тихий и просторный офис в центре Москвы в двух минутах пешком от м. Парк культуры;

• мощная техника для работы;

• ДМС с первого дня от АльфаСтрахования;

• внутреннее обучение и наставничество со стороны опытных коллег;

• курсы и конференции по специальности;

• не экономим на инструментах: оплачиваем сервисы, полезные для работы, включая зарубежные и облачные — ChatGPT, Claude, Figma, Copilot и другие;

• возможность развития в разных областях IT;

• маленькая команда и отсутствие бюрократии;

• единомышленники, с которыми интересно не только работать, но и дружить, общаться, заниматься спортом, путешествовать.

В Поиске Яндекса, помимо обычных ссылок на веб-страницы (документов), есть множество тематических блоков: картинки, видео, ответ нейросети от Алисы, калькулятор, курс валют и др.

Мы делаем офлайн-метрику, основанную на LLM-разметке релевантности тематических блоков запросам по инструкции. Вам предстоит развивать её и делать ранжирование блоков в Яндексе ещё лучше, а количество удовлетворённых пользователей — ещё больше!

Улучшение офлайн-метрики ранжирования тематических блоков

Вы будете исследовать, формулировать и оцифровывать проблемы в метрике и итоговом ранжировании, придумывать и реализовывать способы исправления проблем. Результат напрямую влияет на продакшен, ведь офлайн-метрика — это таргет для модели ранжирования в Поиске.

Сбор бенчмарка ранжирования

Офлайн-метрика замеряет качество поиска, но нужно замерять качество и самой метрики! Именно для этого нужен бенчмарк — набор эталонных оценок ранжирования. Его сбор — во многом продуктовая задача, ведь бенчмарк задаёт эталонное ранжирование.

Построение и поддержка аналитических моделей в оценке качества Поиска

Команда офлайн-KPI-метрики отвечает не только за саму форму офлайн-метрики, но и за множество процессов офлайн-оценки качества поиска: приёмки новых ML-моделей ранжирования, сбор «корзин» (множества запросов для оценки качества поиска), сбор дашбордов мониторинга качества и получение по ним инсайтов о проблемных зонах и методах их устранения. Потребуется решать множество важных продуктовых и аналитических вопросов и вести сложные проекты.

Работа с офлайн-метриками всех компонентов выдачи

Выдача Яндекса состоит не только из ссылок на веб-страницы (так называемой органической выдачи), но и из рекламы, тематических блоков. Для каждого из этих компонентов тоже существует офлайн-сигнал. В перспективе вы будете отвечать за внедрение этих офлайн-сигналов в единую офлайн-метрику всей выдачи и улучшать как качество самих сигналов, так и процессы вокруг них.

Больше об аналитике в Яндексе — в канале Yandex for Analytics

* Имеете опыт руководства или менторства в аналитике
* Умеете выстраивать стабильные и прозрачные рабочие процессы
* Обладаете глубокими знаниями математики

* Обладаете знаниями в области машинного обучения, имеете опыт внедрения моделей
* Участвовали и побеждали в олимпиадах по математике, физике, программированию
* Читаете и понимаете профильные тексты на английском языке

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.

• 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

• руководить сильной технической командой

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

• Паомогать 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.

• возможность выбрать удобный формат работы: гибрид или офис

• ежегодный пересмотр зарплаты, годовая премия

• корпоративный спортзал и зоны отдыха

• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

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

• ипотека выгоднее до 7% для каждого сотрудника

• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров

• вознаграждение за рекомендацию друзей в команду Сбера.