ML-инженер (Kandinsky) (Python)

Middle+/Senior Data Scientist (3D Geometry / Hybrid Search / LLM / Python / Team Lead)

Ставка: до 220 000 руб. (Middle+) / до 270 000 руб. (Senior) на руки в месяц.

Грейд: Middle+ / Senior.

Загрузка: Full-time.

Срок привлечения: 3 месяца с возможностью пролонгации.

Формат: Удалённо.

Часовой пояс: UTC+3 (МСК).

Локация/Гражданство: РФ, РБ / РФ, РБ.

О проекте: ИТ-компания, решающая сложные R&D-задачи на стыке обработки 3D-данных, поисковых систем и ML-сервисов.

Ищем Middle+/Senior Data Scientist с сильным инженерным бэкграундом для работы над нетривиальными задачами. Это роль для специалиста, который не ограничивается Jupyter-блокнотами, а умеет внедрять ML-решения в продакшн, глубоко понимает 3D-геометрию, строит сложные пайплайны гибридного поиска (IR + LLM) и способен координировать небольшую команду разработки.

Ключевые задачи:

• Решение алгоритмических задач: обработка 3D-данных (полигональные сетки, воксели), разработка пайплайнов поиска.
• Проектирование архитектуры ML/DS-сервисов и внедрение готовых решений в инфраструктуру проекта.
• Профилирование производительности и снижение вычислительной сложности (в т.ч. при работе с 3D-структурами и векторными индексами).
• Координация подгруппы разработки: декомпозиция задач, оценка трудозатрат, планирование спринтов, исполнение функций тимлида в периоды его отсутствия.
• Проведение Code Review, контроль качества кода, менторинг Junior/Middle специалистов.
• Подготовка технической документации, фиксация архитектурных решений (ADR).

Обязательные требования (Hard Skills):

3D и пространственные данные (КРИТИЧНО!):

• Уверенное владение 3D-геометрией: работа с полигональными сетками, вокселями, триангуляцией, 2D/3D-объектами и понимание лежащей в основе математики.

Information Retrieval и LLM (КРИТИЧНО!):

• Построение пайплайнов гибридного поиска (сочетание dense- и sparse-подходов, включая BM25), работа с эмбеддингами, reranking (Reciprocal Rank Fusion).
• Опыт применения векторных баз данных: Qdrant, Milvus, pgvector, Weaviate и др.
• Навыки оценки качества генерации и поиска: LLM-evals (Ragas, TruLens, DeepEval) или умение разрабатывать собственные метрики.

Инженерная культура и Python (КРИТИЧНО!):

• Python 3.10+ (в т.ч. asyncio и typing), NumPy, SciPy, Pandas.
• Backend-разработка: FastAPI (микросервисная архитектура, REST, асинхронная обработка).
• Инфраструктура: контейнеризация (Docker), эксплуатация в среде Linux (Ubuntu).
• Профилирование: умение применять cProfile, Scalene, memory_profiler и аналоги для оптимизации кода под продакшн.

Лидерство и процессы:

• Подтверждённый опыт внедрения ML/DS-решений в промышленную эксплуатацию (за пределами прототипов).
• Опыт координации небольшой команды или технического руководства разработчиками.
• Способность переводить абстрактные бизнес-задачи в чёткие технические требования и разбивать их на реализуемые подзадачи.

Будет плюсом:

• Опыт публикации статей или выступлений на профильных конференциях по темам 3D ML или Advanced RAG.
• Знание C++ для оптимизации критичных по производительности участков кода.

Наша команда занимается разработкой computer-use-агентов, которые проходят тест-кейсы в интерфейсах и приложениях Яндекса — смотрят на экран, кликают, проверяют результат. Это помогает экономить время на рутинных тестах и сокращает время на выпуск версий.

Наша работа происходит на стыке harness и моделей, которых мы дообучаем через SFT/RL. Если вам интересно разрабатывать агентов, отвечая за весь стек технологий, используемых под капотом, — будем рады познакомиться!

Развитие harness

Нам важно строить эффективную (как по токенам, так и по скорости) обвязку вокруг модели. Разработка базы знаний по большой вариации тест-кейсов, улучшение планера, разработка верификаторов и тулов — это лишь малая часть задач, которые окружают harness.

Агентское планирование в модели

Уже сейчас наши модели неплохо справляются с автоматизацией. Но инструментов становится больше, тест-кейсы — сложнее. Чтобы сохранять эффективность и находить оптимальные пути решения задач, вам предстоит обучать модель таким эффективным стратегиям, а также работе в нашем harness.

Больше об ML в Яндексе — в канале Yandex for ML

* Понимаете, как строятся VLM-агенты и tool calling, работали с ними
* Разбираетесь с RL в интерактивных средах
* Хорошо знаете NLP/CV, особенно LLM/VLM
* Умеете решать ML-задачи полного цикла — от сбора разметки до внедрения в продакшен

* Понимаете ограничения современных VLM
* Следите за трендами в области агентов и tool-augmented-моделей