СБЕР

DL-разработчик в команду GigaChat Voice Mode

Мы делаем Voice Mode в GigaChat — голосового AI-агента для сложных пользовательских сценариев. Хотим, чтобы общение с ним было максимально похоже на разговор с человеком: с естественной речью, длинным диалогом и нормальной реакцией на пере…

СБЕР

↑ Вакансия с автоподнятием
Зарплата не указанаРоссияМоскваОфис

Мы делаем Voice Mode в GigaChat — голосового AI-агента для сложных пользовательских сценариев. Хотим, чтобы общение с ним было максимально похоже на разговор с человеком: с естественной речью, длинным диалогом и нормальной реакцией на перебивания. Отдельно работаем над надежной работой с внешними инструментами, низкой задержкой и эмпатией.

У нас уже есть все основные компоненты для работы: LLM GigaChat, harness для работы с инструментами и оркестрации, ASR-модель для русского языка GigaAM, audio-conditioned модель GigaChat Audio и LLM-based синтез речи GigaTTS. Попробовать голосовой режим наших продуктов можно на ⁠giga.chat.

  • Разрабатывать архитектуру взаимодействия voice-слоя и agent harness: перебивания, barge-in, turn-taking, асинхронные скиллы
  • Экспериментировать с обучением LLM: от SFT до RL, адаптировать модели под конкретные домены и улучшать работу с функциями и скиллами
  • Строить систему оценки качества голосовых агентов: от WER, latency и GCR до ⁠tau-like бенчмарков
  • Улучшать работу системы на реальном трафике: работать с длинными диалогами, ошибками распознавания, телефонным каналом, шумом, акцентами, перебиваниями и спонтанной речью

В команде можно сфокусироваться на одном из направлений. Не обязательно одинаково глубоко разбираться в голосовых технологиях, agent harness и обучении моделей.

Мы ждем, что вы

  • Имеете практический опыт распределенного обучения больших моделей и понимаете, как оно устроено под капотом
  • Строили пайплайны для оценки качества и сбора данных для генеративных моделей
  • Умеете решать продуктовые ML-задачи полного цикла: от сбора разметки до внедрения в продакшн

Будет плюсом, если вы

  • Применяли RL-методы для обучения LLM на практике

  • Занимались обучением мультимодальных LLM

  • Работали над улучшением ASR, TTS или других audio-компонентов

  • Понимаете, как устроены сложные harness-системы, и писали нетривиальные скиллы для собственных разработок или реальных продуктов

  • крупнейшее DS&AI community — более 600 DS-специалистов банка

  • дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира

  • возможность быть соавтором НИРов и статей для международных конференций

  • 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.

Похожие вакансии Data Science & ML

hh.ru
Зарплата не указанаРоссияКазаньСанкт-ПетербургУдалёнка
Локации (удалёнка):КазаньСанкт-Петербург

Удалённая работа — географически не привязана. Щёлкни по любой из локаций, чтобы открыть оригинальную карточку.

О компании

ООО «НейроЗрение Групп» — дочерняя компания ООО «Цифровая платформа КАМАЗ» и ООО «Университетская стартап-студия». Работает под общим брендом «КАМАЗ Диджитал». Компания находится в Набережных Челнах и разрабатывает систему промышленного компьютерного зрения «Оптера». Аккредитация ИТ-организации в процессе оформления.

«Оптера» анализирует видео с рабочих мест: потоки с камер (RTSP, API систем видеонаблюдения) и архивные записи. Основные функциональные блоки:

– анализ производительности: классификация действий по заданным категориям, фиксация простоев, лишних перемещений и выполнения технологических операций, диаграммы загрузки и маршрутов перемещений, выявление отклонений от рабочего процесса. Применяется в том числе для балансировки линий;

– эргономика: оценка рабочих поз по методике REBA, выявление рабочих мест с повышенной физической нагрузкой;

– охрана труда: контроль наличия средств индивидуальной защиты;

– работа с деталями: детекция и подсчёт, идентификация детали по фотографии с выдачей обозначения, чертежа и 3D-модели (веб-интерфейс и мобильное приложение), контроль качества лакокрасочного покрытия с привязкой к 3D-модели;

– оповещения о событиях и отклонениях на почту и в корпоративные мессенджеры.

Данные обрабатываются в обезличенном виде, без биометрии. Система разворачивается в закрытом контуре предприятия или в облаке и строится на отечественных и свободно распространяемых компонентах. Внешние системы подключаются через REST API. Решения проходят апробацию на производстве ПАО «КАМАЗ».

Развитие продукта

Концептуально «Оптера» должна стать частью единого контура цифрового производства «КАМАЗ Диджитал». Интеграция планируется к реализации, и её архитектуру предстоит выстроить техлиду:

– связка с MDC-системой «Сигнал» (мониторинг оборудования): сопоставление простоев оборудования с действиями персонала на тех же рабочих местах и в те же интервалы времени;

– связка с MES-системой «Пульс» (оперативное управление производством): привязка видеоаналитики к сменам, производственным заданиям и технологическим операциям, сравнение плана и факта;

– общая модель данных и единые справочники (участки, рабочие места, смены, операции), обмен событиями через брокер сообщений и REST API;

– слой интерпретации данных на базе ИИ поверх трёх систем: поиск первопричин потерь и подготовка рекомендаций по изменению участка.

Цель — единая картина по оборудованию, персоналу и производственным заданиям вместо трёх отдельных систем.

Мы ищем технического лидера, который возглавит разработку «Оптеры»: CV/ML-сервисы, серверную часть, веб-интерфейс и развёртывание. Продукт состоит из нескольких десятков сервисов на Python и Vue, работает на GPU и разворачивается в Kubernetes, в том числе в закрытом контуре заказчика на Astra Linux. Техлид отвечает за архитектуру, качество и сроки, растит команду и сам пишет код на ключевых участках. Подчинение — владельцу продукта.

Функциональные обязанности

– Руководство командой (CV/ML, backend, frontend, DevOps): роли, зоны ответственности, распределение задач.

– Найм: профиль вакансий, технические интервью, онбординг.

– Организация процесса: Scrum или Kanban, планирование спринтов и релизов, бэклог, демо и ретроспективы.

– Декомпозиция требований заказчика в задачи с критериями приёмки и оценкой трудоёмкости.

– Контроль сроков и качества: риски, блокеры, приёмка перед выпуском.

– Развитие команды: встречи один на один, обратная связь, планы развития, оценка результатов.

– Обмен знаниями: code review, технические разборы, документация решений.

– Согласование приоритетов и сроков со смежными командами, подрядчиками и заказчиками.

– Отчётность перед владельцем продукта: статус, загрузка, риски, потребность в ресурсах.

– Архитектура платформы: границы сервисов, контракты API и сообщений, схема данных, конвейер обработки многочасовых видео от приёма до отчёта, требования к производительности и отказоустойчивости.

– Технические решения по ML-контуру: выбор и замена моделей, путь от обучения до продакшн-инференса (ONNX, TensorRT), бюджет GPU и задержек, воспроизводимость экспериментов.

– Инженерные стандарты: code review, git-flow, тестирование, линтеры и типизация, CI/CD, наблюдаемость, разбор инцидентов, управление техническим долгом.

– Развёртывание у заказчиков: облако и закрытый контур без интернета, собственные реестры образов (Nexus, Harbor), сертифицированные ОС (Astra Linux).

Требования

Опыт и уровень:

– Коммерческая разработка от 6 лет, из них не менее 2 лет в роли техлида, тимлида или ведущего разработчика с командой от 4 человек.

– Опыт вывода в продакшн и сопровождения продукта.

– Опыт проектирования распределённой системы из нескольких сервисов с очередями и долгими фоновыми задачами.

– Готовность к командировкам на площадки заказчиков.

Технические компетенции:

– Python 3.11+ на уровне эксперта: asyncio, FastAPI, Pydantic, SQLAlchemy + Alembic, PostgreSQL, Redis.

– Очереди и фоновые задачи: RabbitMQ (или Kafka), Celery. Ретраи, идемпотентность, задачи, которые идут часами.

– Компьютерное зрение в продакшене будет плюсом: важно уметь принимать решения по ML-части и проверять работу CV-инженеров, но не обязательно самому обучать модели каждый день.

– Работа с видео: FFmpeg, OpenCV, RTSP, обработка больших файлов в S3-совместимом хранилище – как плюс

– Docker, Kubernetes и Helm на уровне понимания развёртывания: ресурсы и лимиты, GPU-узлы, обновления без простоя.

– CI/CD в GitLab, наблюдаемость (Prometheus, Grafana, Elastic APM), структурированное логирование.

– Безопасность: Keycloak, OAuth2/JWT, LDAP/AD заказчика, хранение секретов в Vault, ролевая модель доступа.

– Понимание frontend-части на уровне архитектуры и ревью: Vue 3, TypeScript, Vite.

Будет плюсом:

– Опыт развёртывания в закрытом контуре без интернета и на отечественных ОС (Astra Linux, РЕД ОС).

– Опыт подготовки ПО к включению в реестр российского ПО или к сертификации.

– Понимание открытых лицензий (MIT, Apache, GPL, AGPL, CC BY-NC, source-available) и их последствий для коммерческого продукта.

– MLOps: ClearML или MLflow, версионирование данных и моделей, разметка в CVAT.

– Векторные БД (Qdrant) и задачи поиска по эмбеддингам.

– Опыт в промышленности, MES или видеоаналитике: смены, техпроцессы, такт, балансировка линий.

– Опыт работы с LLM в продукте: слой интерпретации данных, RAG, агентные сценарии.

Стек: Python 3.11+, asyncio, FastAPI, Pydantic, SQLAlchemy, Alembic, PostgreSQL, Redis, RabbitMQ, Celery, S3, Qdrant, PyTorch, ultralytics, ONNX Runtime, TensorRT, CUDA, OpenCV, FFmpeg, ClearML, CVAT, Vue 3, TypeScript, Vite, Keycloak, Docker, Kubernetes, Helm, GitLab CI, Nexus, Harbor, Vault, Prometheus, Grafana, Elastic APM, Astra Linux, Яндекс.Облако.

Условия:

  • Ипотека, отсрочка, стабильность. Решайте важные жизненные вопросы с нашей поддержкой: ИТ-ипотека и отсрочка от службы для тех, кому это актуально.
  • Инвестиции в развитие. Компенсируем ваше обучение, английский (и не только), спортивные абонементы и билеты на конференции. Растите профессионально — мы поможем.
  • Социальная политика. Специальная программа поддержки в разных жизненных ситуациях, включая мамины дни, подарки детям работников при поступлении в первый класс и на Новый год.
  • Офис или удаленка. офисы в трех городах МСК, СПб и Набережные Челны или ваш собственный уютный домашний офис.
  • Встречаемся онлайн и офлайн. Наши активности — от классических викторин в офисе до киберспортивных баталий на удаленке — не дадут заскучать.
Сайты компаний

Principal Research Scientist [Risk]

Автоподнятие
Зарплата не указанаВесь мир
Текст:
Оригинал доступен только пользователям с подпиской

Location

The role is global, with relocation support available to hubs in Mexico, Cyprus, Serbia, or Spain; work can be done from an office or remotely.

About the company

A fast-growing fintech operating a large consumer credit portfolio across LATAM, serving millions of customers and processing billions of financial and behavioral events.

Responsibilities

  • Own the foundation model program end to end, from research direction to production models that drive credit decisions and business metrics such as cost of risk, approval rates, and portfolio NPV.
  • Build and fine-tune models over financial event sequences, including transactions, credit bureau data, and in-app behavior, for underwriting, credit limits, fraud, collections, and propensity use cases.
  • Drive methodology, implementation, performance, latency, robustness, interpretability, and regulatory compliance, including training infrastructure, evaluation, serving, cost optimization, and monitoring.
  • Mentor senior engineers and scientists, set technical standards, publish research, speak at conferences, and communicate results to product, risk, business, and leadership stakeholders.

Requirements

  • Proven experience applying deep learning to sequential data, with transformer architectures on event or transaction sequences strongly preferred.
  • Strong grounding in mathematical statistics, probability theory, and machine learning algorithms such as GBM, MLP, CNN, RNN, and Transformers.
  • Experience bringing large models to production, including distributed training, model serving, and latency/cost trade-offs, with a pragmatic balance between complexity and applicability.
  • Strong technical education in mathematics, physics, or computer science from a top university, plus strong communication skills; Kaggle Master/Grandmaster or banking/consumer lending experience is a plus.
Сайты компаний

Reinforcement Learning Engineer - Locomanipulation

Автоподнятие
Зарплата не указанаВеликобританияLondon
Текст:
Оригинал доступен только пользователям с подпиской

Location

Based in London, UK, with work on real robotic hardware and large-scale simulation.

About the company

A robotics company developing commercially scalable, safe •••••••• robots for industrial deployment, with continuous iteration between simulation and hardware experiments.

Responsibilities

  • Design and train reinforcement learning policies for dynamic locomotion, balance recovery, contact-rich manipulation, and multi-behavior control on •••••••• robots
  • Build scalable simulation and training pipelines, including reward functions, observation spaces, and curricula
  • Improve policy robustness and sim-to-real transfer, then deploy and evaluate policies on real robotic systems
  • Integrate learned policies into the robot control stack in collaboration with controls and robotics engineers

Requirements

  • MS or PhD in robotics, machine learning, computer science, or a related field
  • Strong reinforcement learning experience (e.g., PPO, SAC, offline RL) applied to robotics or physical systems
  • Hands-on deployment of learned policies on real robotic systems and work with physics-based simulators such as Isaac Lab or MuJoCo
  • Strong Python and/or C++ programming skills; experience with locomotion, legged robots, sim-to-real transfer, or whole-body control is a plus

HireSeeker собирает вакансии со всех площадок и присылает только релевантные. Бесплатно.