Middle ML Engineer — Computer Vision / Face Biometrics / AI Security

Федеральное государственное бюджетное учреждение запускает стратегический проект по созданию собственной языковой модели (LLM) для внутреннего использования. Модель будет разрабатываться с нуля под закрытым контуром организации – от выбора архитектуры и платформы до программирования, обучения и внедрения в рабочие процессы. Мы ищем ключевого специалиста, который возьмёт на себя полный технический цикл и сформирует ИИ-направление внутри учреждения.

Обязанности:

• провести анализ потребностей и определить оптимальную стратегию: обучение модели с нуля или глубокая адаптация открытых решений под закрытый контур;
• сформировать с нуля и возглавить команду, распределить зоны ответственности между ML-инженерами, дата-инженерами и DevOps;
• спроектировать архитектуру LLM, выбрать стек технологий, фреймворки и вычислительную платформу (on-premise или доверенная облачная среда) с учётом ограничений бюджетной организации и требований информационной безопасности;
• организовать полный цикл работы с данными: сбор, очистка, фильтрация, токенизация и разметка корпуса внутренних текстов с соблюдением законодательства о персональных данных и государственной тайны;
• обучить, валидировать и оптимизировать модель под ключевые бизнес-задачи (генерация документов, смысловой поиск, вопросно-ответные системы, классификация, суммаризация);
• развернуть LLM в продуктивном закрытом контуре, обеспечить стабильность и безопасность инференса, реализовать API для интеграции с внутренними информационными системами.

Требования:

• подтверждённый успешный опыт создания языковой модели с нуля (предобучение или глубокая адаптация под закрытый контур) с измеримым результатом: в резюме или портфолио должна быть раскрыта ваша роль и достигнутые показатели;
• глубокое знание архитектур трансформеров (GPT, BERT, LLaMA и т.п.), опыт работы с PyTorch/TensorFlow, Hugging Face Transformers, библиотеками распределённого обучения (DeepSpeed, Megatron-LM и аналогами);
• практический опыт подготовки и препроцессинга крупных текстовых массивов для обучения LLM;
• уверенное программирование на Python; знание C++ будет весомым плюсом;
• понимание методов оптимизации инференса (квантование, ONNX, TensorRT, vLLM и др.) и требований промышленной эксплуатации, включая мониторинг и отказоустойчивость;
• высшее техническое или математическое образование;
• готовность к работе с данными ограниченного доступа, понимание требований 152-ФЗ и нормативов ФСТЭК России (или готовность их оперативно изучить).

Будет плюсом:

• наличие собственной готовой команды (ML-инженеры, дата-инженеры, DevOps), способной включиться в проект в ближайшее время;
• опыт построения ИИ-систем в государственных структурах, научных институтах или режимных организациях;
• знание специфики российских вычислительных платформ и облачных провайдеров (Yandex Cloud, VK Cloud, on-premise GPU-фермы);
• опыт внедрения LLM в контуре, изолированном от сети Интернет, и опыт прохождения аттестации информационных систем.

Условия работы:

• работа в комфортном офисе в центре Москвы (2 минуты пешком от м. Семеновская), возможен гибридный формат работы;
• оформление согласно ТК РФ;
• уровень заработной платы зависит от уровня должности, квалификации кандидата и обсуждается на финальном собеседовании с успешным кандидатом;
• полная занятость, рабочий день с 9.00. до 18.00., в пятницу до 16.45.
• отпуск 28 календарных дней+4 дня дополнительно;
• масштабная и интеллектуально амбициозная задача: создание языковой модели с нуля, которой будут пользоваться реальные подразделения учреждения;
• высокая степень самостоятельности в выборе архитектуры, платформы и инструментов;
• возможность собрать под себя команду и выстроить долгосрочное ИИ-направление.

О роли :

Мы ищем творческого и мотивированного стажера - инженера, который присоединится к нашей исследовательской команде, разрабатывающей материалы нового поколения для термоуправления и помогающие сохранять электронику холоднее, быстрее и надёжнее. Вы
создадите компьютерные модели, которые предсказывают, как композитные материалы проводят тепло, и сравните эти прогнозы с опубликованными исследованиями и реальными экспериментальными данными от отраслевых партнёров.
Предварительная подготовка к симуляциям не требуется. Мы ценим любознательность, сильные навыки решения проблем и готовность учиться.

Обязанности:

- Создавать и запускать компьютерные модели, предсказывающие
теплопроводность композитных материалов
- Использование Python и инструменты моделирования для генерации 3D-структур
материалов и анализа результатов
- Сравнивать результаты моделей с теорией, опубликованными исследованиями и экспериментальными данными
- Обзор научной литературы по термоинтерфейсным материалам и композитам
- Организовывать данные, создавать графики и подготовить чёткие технические отчёты
- Делиться результатами на командных встречах и с отраслевыми партнёрами

​​​​​​​- Опыт программирования (Python или MATLAB) для анализа данных или
скриптинга
- Опыт работы с программным обеспечением для симуляции
- Знание концепций теплопроводности и теплового сопротивления
- Опыт работы на курсах или лаборатории по теплопередаче, материалам или численным методам

- Учащийся четвёртого курса по машиностроению, материаловедению или смежным направлениям
- Понимание основ теплопередачи
- Базовые знания в области материаловедения и композитов

- Сильные аналитические и решающие навыки, а также способность учиться самостоятельно
- Владение Microsoft Excel
- Владение английским языком (B2+)

- ​​​​​​​​​​​​​​Гибкий график (10-20 часов в неделю)
- Практический опыт работы над реальными исследовательскими проектами с сотрудничеством с отраслью
- Изучение и практика в моделирование на Python, инженерное моделирование и методы
исследований непосредственно у практикующих инженеров
- Наставничество опытных инженеров
- Возможность вырасти на инженерную должность на неполный рабочий день с растущей технической ответственностью
- Технический и профессиональный рост

Отправьте своё резюме и короткое сопроводительное письмо, в котором объясните свой интерес к теплотехнике или материалам и почему вы могли бы добиться успеха в этой роли

Ищем ML-инженера, который умеет не просто обучать модели, а доводить их до production: от данных и feature engineering до деплоя, мониторинга и улучшения качества в реальных системах.

Что будет в работе

• Разработка и развитие ML-моделей: классические ML (классификация, регрессия, ранжирование), deep learning, NLP.

• Проектирование и реализация end-to-end ML-пайплайнов: от данных и feature engineering до обучения, валидации и деплоя.

• Работа с данными: ETL/ELT, подготовка датасетов, feature store, работа с большими объёмами данных.

• Деплой моделей в production: Docker, Kubernetes, REST/gRPC API, batch/online inference.

• Настройка MLOps: MLflow/W&B, версионирование моделей и данных, CI/CD/CT, автоматизация переобучения.

• Мониторинг моделей в production: метрики качества, latency, throughput, data/model drift, алертинг.

• Участие в архитектурных решениях: выбор подходов, оценка trade-off’ов, влияние на стабильность и масштабируемость системы.

• Взаимодействие с data scientists, инженерами, аналитиками и бизнес-стейкхолдерами.

Что важно

• Коммерческий опыт в ML/ML Engineering от 3 лет, уровень Middle+ / Senior.

• Уверенное владение Python:pandas, NumPy, scikit-learn, PyTorch или TensorFlow.

• Опыт построения и деплоя ML-моделей в production (не только Jupyter/прототипы).

• Понимание классического ML: supervised learning, feature engineering, валидация, метрики качества.

• Опыт работы с данными: SQL, ETL/ELT, Spark/Databricks (желательно), работа с большими датасетами.

• Опыт работы с Docker, базовое понимание Kubernetes, CI/CD (GitLab CI, GitHub Actions).

• Опыт настройки MLOps: MLflow/W&B, версионирование моделей/данных, автоматизация пайплайнов (Airflow, Kubeflow, Databricks Workflows).

• Понимание мониторинга моделей в production: метрики, drift detection, алертинг, retraining.

• Умение работать автономно, брать задачу целиком и доводить до результата.

• Умение переводить бизнес-требования в технические решения и аргументировать свой выбор.

Будет плюсом

• Опыт работы с LLM/GenAI: RAG, embeddings, vector databases (FAISS, Milvus, pgvector), prompt engineering, fine-tuning (LoRA)

• Практика LLMOps: MLflow, Langfuse, LangSmith, Weights & Biases, evaluation harnesses (Ragas, DeepEval)

• Опыт работы с agentic systems: LangGraph, CrewAI, multi-agent workflows

• Опыт работы с облачными ML-платформами: AWS SageMaker, Azure ML, Vertex AI

• Опыт работы с feature stores (Feast, Tecton), model registries, A/B testing, canary deployments

• Знание паттернов MLOps: CI/CD/CT, drift detection, rollback, monitoring (Prometheus, Grafana, Evidently, Arize)

• Английский язык для работы с зарубежной документацией, командами и стейкхолдерами.

Английский

• Для проектов без английского язык не требуется.

• Для европейских и американских проектов нужен английский от B2+.

Процесс

• Короткое общение с рекрутером.

• Техническое интервью / TechCertify-скрининг.

• Передача на подходящие проекты клиентам.

Если вам близок инженерный подход к ML, нравится не просто «обучать модели», а доводить их до production и влиять на реальные продукты - будем рады пообщаться.