AI R&D Engineer / ML Engineer (Python)

О компании

Полигонатор — быстрорастущая компания, специализирующаяся на создании инновационных тренажёров для различных предприятий. Наши решения охватывают широкий спектр: классические обучающие комплексы, интерактивные среды для отработки управления техникой в симуляциях с реалистичной физикой и иммерсивные VR-тренажёры.

Мы создаём полноценное ПО (от проектирования до внедрения) и строим продукты с внедрением ИИ — от аналитики и прогнозных моделей до LLM-приложений и исследовательских прототипов. С 2016 года реализовали более 40 проектов. В работе используем Unreal Engine 5 для создания детализированных и реалистичных виртуальных сред.

О роли

Мы ищем AI R&D / ML Engineer, который понимает принципы работы современных технологий ИИ и способен не только использовать готовые решения, но и проектировать, разрабатывать и совершенствовать собственные AI-системы. Вы будете работать на стыке исследований и продакшена: воспроизводить статьи, ставить контролируемые эксперименты, строить пайплайны обучения и деплоить модели в реальные продукты (включая RL-сценарии в симуляциях).

Уровень: Middle / Middle+

Опыт: 1–3 года коммерческой разработки в ML/AI

Что вы будете делать

• Проектировать и реализовывать ML-пайплайны: от подготовки данных до обучения, валидации и деплоя моделей.
• Проводить контролируемые эксперименты: ablation study, контрольные группы, оценка статистической значимости результатов.
• Воспроизводить научные статьи и адаптировать методы под задачи бизнеса (симуляции, тренажёры, физика).
• Разрабатывать и обучать RL-агентов в симуляциях, настраивать векторизованные среды и параллельный сбор опыта.
• Оптимизировать инференс: батчинг, квантизация, ONNX / vLLM / TGI / llama-cpp.
• Строить мониторинг моделей: дрейф данных, деградация качества, алертинг.
• Упаковывать результаты исследований в прототипы и API для передачи в прод.
• Участвовать в планировании задач и архитектуры проектов, предлагать технические решения.
• Работать в команде: ветки, код-ревью, CI/CD.

Требования

Инженерная база

• Уверенный Python: чистый, тестируемый, воспроизводимый код (type hints, модули, venv).
• Git и культура работы с ветками/ревью; понимание CI-процессов на базовом уровне.
• PyTest — написание юнит-тестов для моделей и пайплайнов.
• SQL — уверенные запросы, JOIN, агрегации, оконные функции (базово).
• Английский — чтение документации и научных статей.

Математическая база

• Линейная алгебра, теория вероятностей, математическая статистика.
• Понимание метрик качества и принципов валидации моделей (train/val/test, кросс-валидация, стратификация).
• Понимание переобучения, утечки данных (data leakage) и методов борьбы с ними.
• Статистический вывод: проверка гипотез, p-value, доверительные интервалы — применительно к оценке экспериментов.

ML-инженерия

• PyTorch (основной) — уверенное владение: кастомные Dataset/DataLoader, обучение, валидация, сохранение/загрузка чекпоинтов.
• Построение пайплайнов подготовки данных и обучения: воспроизводимость (seed, версионирование данных), конфигурирование экспериментов.
• Деплой моделей: упаковка в сервис (FastAPI), версионирование, канареечные релизы (базово).
• Мониторинг: дрейф данных (data drift), деградация качества, алертинг.
• Оптимизация инференса: батчинг, квантизация, ONNX / vLLM / TGI / llama-cpp.
• Основы облачной инфраструктуры.

RL-инфраструктура

• Понимание постановки MDP (состояния, действия, награды, политика, ценность).
• Experience replay, policy gradient vs value-based методы (базовое понимание).
• Опыт обучения агентов в симуляции: Isaac Lab / Gymnasium / PettingZoo / другие.
• Векторизованные среды, параллельный сбор опыта.
• Понимание sim-to-real transfer.

Продуктовое мышление

• Умение переводить бизнес-задачу в техническую постановку.
• Способность объяснить результат нетехническим стейкхолдерам.
• Самостоятельность: доведение задачи от постановки до результата без пошагового руководства.
• Участие в планировании задач и архитектуры проектов: умение предложить структуру пайплайна, выбрать инструменты и обосновать выбор.

Инструменты

• Python-экосистема для данных: pandas, NumPy.
• PyTorch — основной фреймворк; TensorFlow — как альтернатива (плюс).
• Hugging Face — работа с предобученными моделями и токенизаторами.
• W&B / MLflow — трекинг экспериментов.
• Docker (базово), CI/CD (GitHub Actions / GitLab CI).
• FastAPI / Pydantic — обёртка модели в API.
• Prometheus / Grafana — мониторинг; очереди (Celery / RQ), Redis, Postgres — базовая работа.
• GitLab — основная платформа.

Будет плюсом

• C/C++, Rust, Go — для инфраструктурных задач и оптимизации.
• CUDA — написание кастомных ядер, профилирование.
• DeepSpeed, Flash Attention — оптимизация обучения больших моделей.
• vLLM — продакшен-инференс LLM.
• Unreal Engine 5 — понимание среды, в которой работают наши симуляции.
• JAX — альтернативный фреймворк.
• Доменная специализация: NLP / CV / графы / временные ряды.

Условия

• ИТ-аккредитация компании.
• Официальное трудоустройство, полностью «белая» заработная плата.
• Социальный пакет по ТК РФ.
• Заработная плата обсуждается индивидуально по итогам собеседования.
• Адрес: г. Таганрог, ул. Котлостроительная, 2-6.
• График: 5/2, с 10:00 до 18:00, офисная занятость.
• Современный технически оснащённый офис.
• Возможность участвовать в разработке перспективных AI-продуктов, предлагать и реализовывать собственные технические решения.
• Дружная команда и комфортная рабочая атмосфера.