ML Engineer (LLM, RAG, Qwen, Qdrant) (Python, FastAPI)

О проекте
NWIRE разрабатывает систему автоматизированного документооборота для крупной компании. Языковая модель проверяет и исправляет документы п и корпоративным шаблонам (текст, таблицы, рисунки, формулы), сверяет данные между главами и собирает итоговый пакет. Интерфейс - плагин для Яндекс Трекера, серверная часть на Go, модель работает на GPU-сервере в контуре заказчика.

Обязанности:

• Выбор открытой языковой модели (Qwen, DeepSeek, GLM и др.) и бенчмарк на контрольном наборе реальных документов.
• Развертывание и оптимизация инференса on-prem: vLLM / SGLang, квантизация (FP8/INT4), длинный контекст, настройка под нагрузку.
• Проектирование агентного пайплайна: промпты, tool calling, разбиение задач между моделью и детерминированными скриптами.
• Работа с DOCX: разбор и правка структуры документа, связка с рендерингом (LibreOffice) для контроля верстки.
• Метрики качества и регрессионные тесты: доля найденных ошибок, отсутствие ложных исправлений.
• Сопровождение опытно-промышленной эксплуатации, доработка по обратной связи пользователей.

Оборудование

• Целевая платформа: on-prem сервер Huawei Atlas 650E - 8× Ascend 950DT, 1 152 ГБ памяти HBM. Окончательный выбор будет сделан позже. Этот сервер проще всего привезти.

• На старте: разработка и подбор модели на арендованных GPU NVIDIA в Яндекс Облаке, затем перенос на собственный сервер заказчика.

• Стек на Ascend: CANN, MindIE / vLLM-Ascend. Нужна готовность разбираться с его особенностями: поддержка моделей, квантизация, производительность.

Требования:

• От 3 лет в ML/NLP, из них от 1 года - практическая работа с LLM в продакшене.
• Опыт self-hosted инференса открытых моделей (vLLM, SGLang, TGI или аналоги); понимание влияния памяти GPU, KV-кэша и контекста на производительность.
• Опыт построения LLM-агентов или пайплайнов с tool calling.
• Уверенный Python, Linux, Docker.
• Умение выстроить оценку качества модели на собственных данных.

Условия:

• Проект на 6 месяцев с возможностью продолжения (поддержка, развитие, тиражирование)

• Удаленный формат работы

• Оформление: ИП или самозанятость по ставке в час

• Вознаграждение - ежемесячно по факту затраченного времени

Формат работы: Полный рабочий день в офисе

Ключевая миссия

Построить независимый цифровой контур компании, который работает напрямую под контролем собственника, формализует бизнес-процессы и обеспечивает прозрачный расчет стоимости, сроков и изменений по каждому объекту.

Специалист по AI-автоматизации / AI Builder

Ищем практика, который активно использует LLM, умеет самостоятельно собирать полезные инструменты и доводить их до регулярного использования. Нужен конкретный опыт запуска и сопровождения SaaS с реальными пользователями. Профессиональный стаж разработчика не обязателен; важны ваш личный вклад и работающий результат.

О работе

Мы работаем со строительными и инженерными документами, расчётами, чертежами, таблицами и разнородными файлами. Хотим сократить повторяющуюся ручную работу и время на исправления, сохраняя точность данных и проверяемость результатов.

Первый приоритет — внутренние процессы команды. Вы будете разбирать задачи вместе с нами, выбирать подходящие инструменты, лично собирать решения, запускать их в работу и поддерживать после запуска. В этой роли недостаточно передавать требования другим исполнителям: нужна самостоятельная практика от исходных материалов до рабочего инструмента.

Чем предстоит заниматься:

- Разбирать рабочий процесс: что поступает на вход, какой результат нужен, где возникают задержки и как проверить улучшение.

- Выбирать подходящий способ решения: готовый SaaS, интеграция сервисов, автоматизация через LLM, AI coding, no-code или low-code. Обосновывать выбор удобством, надёжностью и стоимостью.

- Применять LLM для исследования, извлечения и проверки данных, работы с документами и таблицами, автоматизации действий. Использовать разные подходы под задачу.

- Собирать цепочки «исходники → обработка → проверка → удобный результат». Обрабатывать пропуски, противоречия, ошибки извлечения и сбои сервисов.

- Публиковать и поддерживать инструменты: настраивать интеграции, доступы и хранение данных, разбираться с ошибками, обновлениями и расходами.

- Собирать обратную связь, улучшать решение и передавать его команде: доступы, настройки, короткие инструкции, порядок восстановления после сбоя.

Что важно:

У вас есть хотя бы один SaaS-проект в production с реальными пользователями. Вы лично собирали сервис или существенную часть продукта, участвовали в релизе и сопровождении. Создание всего SaaS в одиночку не требуется.

Вы можете показать несколько практических способов использования LLM и объяснить, почему выбрали каждый из них. Названий моделей и набора промптов недостаточно — нужны примеры решённых задач.

Вы понимаете на практическом уровне API, вебхуки, форматы данных и права доступа; умеете читать ошибки и доводить интеграцию до рабочего состояния.

Вы проверяете результат AI по источникам и контрольным примерам, замечаете неподтверждённые данные и понятно объясняете ограничения.

Вы умеете измерять время, ручные исправления и расходы, самостоятельно продвигать задачу и вовремя запрашивать конкретные недостающие данные.

Опыт со строительной или инженерной документацией будет плюсом. Проектные решения и применимость норм подтверждает профильный специалист.

Методология и рабочая среда:

Вы можете показать свой текущий процесс: постановка задачи и критерии готовности → подготовка контекста → исполнение → проверка → передача решения. Объясняете, как сохраняете нужные знания и продолжаете работу в новой сессии.

Уверенно работаете в выбранной среде: IDE, CLI, агентном приложении, no-code/low-code или их сочетании. Например, Claude Code, Codex, Cursor, n8n или аналоги. Понимаете роль каждого инструмента и движение данных между ними.

Регулярно используете skills и повторяемые инструкции. Можете открыть 1–2 примера, которыми пользуетесь сейчас: показать устройство, условия применения, подключённые инструменты, что взяли готовым, что настроили и как проверили.

Понимаете различия между skill, инструментом, подключением через MCP и агентом. На своём примере объясняете выбор заданного workflow, одного агента или делегирования субагентам: как передаются контекст и результаты, ограничиваются полномочия, отслеживаются ошибки и расходы.

Конкретный стек оставляем на ваш выбор. Важны обоснованная методология и работающий результат; несколько агентов нужны там, где их применение оправдано задачей. Если в вашей среде skills называются иначе, покажите аналогичный механизм инструкций и ресурсов.

Условия:

• Место работы: Москва, ул. Яблочкова 21 к 3 , в пешей доступности от м. Тимирязевская;
• Формат: Полный рабочий день в офисе;
• Оплата на старте 250 000 руб. на руки, далее, после подтверждения результата до 300 000 руб. на руки+премии за принятые этапы;
• Оформление по ТК РФ;
• График работы 5/2 с 09:00 до 18:00 (сб.вс. выходные).

Первые три месяца

- Сосредоточимся на одном выбранном внутреннем процессе:

- Первый месяц: разобрать процесс, зафиксировать исходные затраты времени и типовые ошибки, согласовать результат и контрольные примеры.

- Второй месяц: собрать и запустить пилот на реальных задачах, проверить обычные и проблемные входные данные, исправить обнаруженные ошибки.

- Третий месяц: довести процесс до регулярного использования, обучить команду и передать решение так, чтобы другой сотрудник мог его запустить и понимал ограничения, стоимость и порядок поддержки.

- Целевые показатели улучшения определим после исходного замера.

Как откликнуться

- Пришлите краткое описание опыта и короткие ответы на пять вопросов:

- Какой SaaS вы выводили в production и что лично сделали?

- В какой среде работаете сейчас? Назовите основные инструменты и 1–2 используемых skills или набора инструкций: для чего они нужны и что вы в них настроили.

Какой AI-процесс можете показать?

- Кратко опишите постановку, контекст, исполнение и проверку; объясните роль агентов, если применяете их, и почему выбрали такой подход.

- С каким сбоем после запуска столкнулись и как восстановили работу?

- Как проверяли качество и оценивали расходы?

- Приложите ссылки или предложите демонстрацию. На встрече попросим открыть текущую среду, используемый skill или инструкции и показать выполнение процесса на разрешённых к демонстрации данных. Если проект под NDA, подойдёт обезличенный аналог с теми же приёмами и объяснением вашего вклада.