ML-инженер (Python)

Ищем ML-разработчика, который будет улучшать качество претрейна Alice AI LLM. Это направление, отвечающее за умность базовой модели и качество данных.

Гонка LLM ускоряется: модели решают задачи в математике, коде, агентах, медицине, которые ещё недавно требовали участия человека. При этом крупные улучшения LLM происходят при обновлении и масштабировании претрейна: именно на этом этапе закладываются базовые способности модели, от которых зависит качество на всех последующих срезах.

Мы считаем, что побеждает в этой гонке тот, кто эффективнее и быстрее улучшает претрейны, и вкладываемся в это направление: исследуем способы улучшения качества моделей, ставим тяжёлые вычислительные эксперименты, обрабатываем и синтезируем данные огромного масштаба.

Результат нашей работы — это модели семейства Alice AI, которые доступны в одноименном сервисе. Делая нашу модель умнее, вы улучшите главного и самого массового AI-ассистента в России, которым уже пользуется более 24 млн человек еженедельно.

Что мы уже сделали:

Наши текущие претрейн-модели уже успешно показали себя в предыдущих релизах Алисы. Например, мы писали на [Хабре](https://habr.com/ru/companies/yandex/articles/974594/), что показываем лучшее качество на фактовых и культурных срезах, замерах и не только. Об исследованиях, которые легли в основу этих улучшений, мы говорили на [Practical ML Conf 2025](https://pmlconf.yandex.ru/en/2025).

Чем вам предстоит заниматься?

Ризонинг-способности модели имеют доказанный профит в таких областях, как математика, код и агенты, но передовые игроки получают хорошие приросты качества за счёт рассуждений на более широком спектре задач: от финансов до компьютерных игр. Наша цель — сделать рассуждающую модель Алисы сильнейшей в РФ и не только.

Эксперименты с претрейн-моделями

Ставить и анализировать вычислительно тяжёлые эксперименты с претрейн-стадией. Проверять гипотезы об источниках прироста ризонинг-способностей внутри различных срезов умности. Постановка и выбор сетапа эксперимента — это довольно творческий этап.

Пайплайны данных

Строить эффективные пайплайны сбора обучающих данных, их синтеза, обработки и фильтрации в новых доменах. Построенные пайплайны предстоит масштабировать и делать более эффективными.

Изменение процесса обучения

Модифицировать процесс обучения модели для задач улучшения ризонинга. Внедрять изменения в обучающий пайплайн и оценивать их влияние на качество.

Экспертные модели

Обучать модели-верификаторы для проверки качества данных и ответов. Обучать модели для генерации обучающих данных, которые являются SOTA в своём узком домене. Обучать модели-фильтры для отсева некачественных данных.

Исследование скейлинга

Исследовать законы скейлинга качества модели с точки зрения данных и вычислений. Определять, как масштабирование влияет на рост рассуждающих способностей в разных доменах.

Больше об ML в Яндексе — в канале Yandex for ML

* Глубоко разбираетесь в NLP
* Знаете Python и разрабатывали на нём

* Обучали претрейн-модели в любой из модальностей (NLP, CV, звук, рекомендации)
* Строили эффективные CPU/GPU-пайплайны
* Погружены хотя бы в одну из областей исследования языковых моделей (RL, архитектуры или данные для LLM)

Привет!

Наша команда в поиске Data Scientist специалиста в команду RecSys, которая занимается развитием рекомендательных сервисов внутри компании.

Какие задачи решает команда RecSys: разрабатывает алгоритм рекомендаций заведений на карте для нового сервиса, улучшает работу алгоритма поиска по категориям, разрабатывает алгоритмы персональных подборок для всех продуктов в компании 2ГИС.

Чем предстоит заниматься:

• написание сервисов для команды рекомендательных систем;
• разработка систем мониторинга качества рекомендательных систем;
• настройка мониторинга и алертинга качества данных;
• написание unit тестов (pytest), тестов для различных участков ML пайплайна, участие в код ревью.

Мы ждём от тебя:

• опыт работы с рекомендательными системами от 2х лет;
• опыт полного цикла решения ML-задач: от аналитики до вывода моделей в прод (от 3-х лет);
• отличные знания Python, SQL, классического ML-стека и соответствующих ему библиотек;
• владение одним из DL фреймворков (torch/tensorflow/keras);
• глубокое понимание рекомендательных систем: подходы, типичные проблемы, метрики, А\Б тестирование;
• опыт написания Unit-тестов, разработки архитектуры и Code Review;
• опыт работы с инструментами разработки и CI/CD — Git, Jenkins, GitLab, Jira.

Почему у нас классно?

• Мы аккредитованная IT — компания.
• У нас можно работать удалённо. Для нас важен специалист, а не его локация. Если хочешь работать в гибридном формате, у нас есть офисы в Москве, Санкт-Петербурге, два классных офиса в Новосибирске. Нет дресс-кода и строгого графика: главное, чтобы было удобно тебе и команде.
• Используем современные технологии и любим о них говорить: выступаем на конференциях и сами их организуем.
• Стараемся регулярно устраивать тимбилдинги, так как считаем, что хорошие отношения — залог продуктивной работы.

Присоединяйся! Будем создавать полезный продукт вместе.

Финтех компания ROWI. Создаем удобные продукты для финансирования малого и среднего бизнеса.
Наши клиенты — поставщики товаров и услуг по всей России.
У нас 2 хаба в Москве и Саратове, распределенные команды в разных городах.

Сейчас мы ищем ML-инженера в нашу компанию. В компании вас ждут интересные задачи и мощная команда ИТ.

Условия привлекательные, подробности при встрече

• Интересные проекты, возможность принимать решения без тысячи согласований и предлагать идеи: от простых до самых амбициозных;
• Обучение, развитие, конференции и митапы, доступ к онлайн-библиотекам;
• Дружелюбная открытая атмосфера без бюрократии и сложных процессов;
• Конкурентная заработная плата;
• Официальное трудоустройство;
• Бесплатная страховка здоровья со стоматологией.

Чем предстоит заниматься

• Внедрять модель;
• Поддерживать внедренные модели;
• Дообучать, следить за их качеством и актуальностью.

Основные задачи

• Участие в проектах по развитию системы управления рисками банка, проектах по внедрению ИТ-решений в области управления рисками: проекты по разработке и валидации рейтинговых моделей оценки, методологии оценки кредитных рисков (PD, LGD, NPV);
• Участие в развитии ETL-процессов, необходимых для расчета риск-метрик;
• Участие в процессе разработки и тестирования моделей машинного обучения (скоринг) и нейронных сетей (компьютерное зрение, рекомендательные системы, речевые технологии, антифрод, предикативные технологии);

Профессиональные знания и навыки

• Знание Python (NumPy, Pandas, API интеграция), Kotlin, SQL;
• Высшее математическое образование;
• Опыт работы в качестве дата-аналитика и/или DS будет преимуществом;
• Понимание процесса кредитования, математической статистики и мат моделирования;
• Знаешь, как анализировать данные, понимаешь, как работают алгоритмы машинного обучения (ML);
• Опыт разработки моделей машинного обучения с использованием современных DL фреймворков и применения их в продакшене.