aj “o'ztmk”

Специалист по Искусственному интеллекту

Сбор и очистка данных. Поиск источников информации, парсинг, фильтрация шумов, устранение пропусков и подготовка датасетов для обучения моделей.

aj “o'ztmk”

8 000 000–10 000 000 UZS (≈ 55k–69k ₽)УзбекистанЧирчикОфис
Обязанности:
  • Сбор и очистка данных. Поиск источников информации, парсинг, фильтрация шумов, устранение пропусков и подготовка датасетов для обучения моделей.
  • Разметка данных. Организация и контроль процесса разметки изображений, текстов или аудиозаписей, написание инструкций для асессоров.
  • Feature Engineering. Выделение и генерация значимых признаков из сырых данных для повышения точности предсказаний алгоритмов.
  • Разработка и обучение моделей (ML / DL / LLM)

  • Выбор архитектуры. Подбор подходящих алгоритмов машинного обучения или нейросетевых архитектур (трансформеры, сверточные сети) под конкретную бизнес-задачу.
  • Обучение и дообучение (Fine-tuning). Тренировка моделей с нуля или адаптация готовых крупных языковых моделей (LLM) и моделей компьютерного зрения под специфику компании.
  • Промпт-инжиниринг и RAG. Создание систем генерации с дополненной поисковой выдачей (RAG) для работы ИИ с корпоративными базами знаний без «галлюцинаций».
  • Оценка качества. Тестирование моделей на контрольных выборках, расчет метрик точности (Precision, Recall, F1, ROC-AUC) и проведение A/B-тестов.
  • Внедрение и эксплуатация (MLOps)

  • Интеграция в продакшн. Упаковка обученных моделей в микросервисы (REST API, gRPC, Docker) для взаимодействия с сайтами, приложениями или внутренними системами.
  • Оптимизация производительности. Ускорение работы нейросетей (квантизация, дистилляция) для снижения нагрузки на серверы и уменьшения времени отклика.
  • Мониторинг и поддержка. Отслеживание деградации моделей в реальном времени (Data Drift) и регулярное переобучение на свежих данных.
  • Бизнес-анализ и коммуникация

  • Перевод бизнес-задач на язык математики. Оценка целесообразности применения ИИ для решения проблем заказчика и выбор критериев успеха.
  • Исследования (R&D). Изучение новых научных статей, тестирование свежих open-source инструментов и внедрение передовых практик в работу команды.
Требования:
  • Базовые технические навыки (Hard Skills)

  • Языки программирования. Уверенное владение Python (основной язык разработки в ИИ), знание стандартных библиотек для анализа данных (NumPy, Pandas, Scikit-learn).
  • Фреймворки глубокого обучения. Практический опыт работы с PyTorch или TensorFlow для создания, обучения и отладки нейронных сетей.
  • Математическая база. Понимание линейной алгебры, теории вероятностей, математической статистики и методов оптимизации (градиентный спуск).
  • Работа с базами данных. Знание SQL для извлечения и агрегации данных, а также опыт работы с векторными базами данных (Qdrant, Pinecone, Milvus, pgvector).
  • Инструменты разработки. Уверенное владение Git, Docker, ОС Linux и навыками создания API (FastAPI, Flask) для интеграции моделей в продукты.
  • Профильные требования (в зависимости от задач)

  • Для работы с текстом и генеративным ИИ (NLP / LLM). Опыт работы с трансформерами (Hugging Face), знание принципов промпт-инжиниринга, построения RAG-систем (LangChain, LlamaIndex) и дообучения моделей (LoRA, QLoRA).
  • Для компьютерного зрения (Computer Vision). Знание библиотек OpenCV, опыт работы с архитектурами детекции и сегментации объектов (YOLO, Mask R-CNN, ViT).
  • Для классического машинного обучения. Опыт работы с градиентным бустингом (CatBoost, XGBoost, LightGBM), анализа временных рядов и проведения A/B-тестирования.
  • Инженерная культура и MLOps (будет плюсом)

  • Ускорение и оптимизация моделей. Знание инструментов оптимизации инференса (ONNX, TensorRT, vLLM) для снижения затрат на видеокарты (GPU).
  • Трекинг экспериментов. Опыт использования систем мониторинга обучения и версионирования моделей (MLflow, Weights & Biases, DVC).
  • Образование, опыт и Soft Skills

  • Образование. Высшее техническое или математическое образование (прикладная математика, информатика, анализ данных) либо сильное портфолио реализованных проектов.
  • Английский язык. Уровень чтения научных статей (arXiv) и технической документации без словаря.
  • Бизнес-мышление. Умение переводить абстрактные запросы бизнеса в конкретные ML-метрики и оценивать экономическую выгоду от внедрения ИИ.
Условия:
  • Официальное оформление, конкурентная заработная плата по итогам технического интервью .
  • формат работы в современном офисе с гибким началом рабочего дня.
  • Неограниченный доступ к мощным GPU-серверам для экспериментов и обучения моделей, современный рабочий ноутбук.
  • Сильная команда R&D-инженеров, отсутствие лишней бюрократии и возможность напрямую влиять на развитие ИИ-продуктов компании.

Похожие вакансии Data Science & ML

hh.ru
Зарплата не указанаРоссияМоскваОфис

Мы ищем ML инженера, который будет помогать команде превращать ML-модели и исследовательские прототипы в production-ready сервисы. Основной фокус роли: разработка API для инференса моделей и подготовка сервисов к эксплуатации в промышленной среде.

Обязанности

  • Разработка backend-сервисов на Python для оборачивания ML-моделей в production API;
  • Подготовка сервисов к production эксплуатации;
  • Работа с БД, очередями, внешними API и внутренними сервисами
  • Написание unit/integration-тестов, участие в code review и технической декомпозиции задач;
  • Взаимодействие с DS, MLOps по вопросам производительности, стабильности и деплоя моделей.

Требования

  • Опыт backend-разработки на Python;
  • Опыт внедорения ML моделей в production;
  • Опыт разработки API на FastAPI или аналогичных фреймворках;
  • Опыт работы с PostgreSQL или другой реляционной БД;
  • Опыт работы с контейнеризацией и оркестрацией (Docker, Kubernetes);
  • Понимание принципов логирования, мониторинга и диагностики backend-сервисов;
  • Понимание CI/CD-практик;
  • Понимание работы ML моделей;
  • Опыт интеграции ML-моделей в backend-сервисы;
  • Опыт работы с MLflow, S3, model registry или artifact storage;
  • Опыт с Kafka, RabbitMQ, Redis, Celery или другими механизмами асинхронной обработки;
  • Опыт оптимизации inference-сервисов по latency, throughput, CPU/RAM/GPU;
  • Опыт обучения DL моделей.

Условия

  • Гибридный формат работы (современный офис м.Проспект Мира);
  • Льготные ипотечные условия кредитования;
  • Подписка Прайм с возможностью совместного использования на трёх близких, скидки на продукты компаний-партнеров: Okko, Сбер Маркет, Delivery Club, Самокат, Ситимобил, Сбер Еаптека и другие;
  • ДМС с первого дня и скидки на страхование для близких;
  • Корпоративная пенсионная программа;
  • Детский отдых и подарки за счет Компании;
  • Обучение за счет Компании, Онлайн курсы, неограниченный доступ к библиотеке и обучение на базе Корпоративного университета, тренинги, митапы и возможность получить новую квалификации.
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.
Соц.сети

Team Lead Data Science

Зарплата не указанаНе указана странаЛокация не указанаУдалёнка

Team Lead Data Science / •••••••• ⚡️
Remote

Мы •••••••• - RTB Exchange продукт с высокой нагрузкой в 1 млн запросов в секунду на входе и до 1 млн в секунду запросов к внешним системам. Мы выделяем Data Science в отдельное направление, и нам нужен лид, который будет его развивать.

Над чем предстоит работать: •••••••• — рекламная сеть с различными форматами рекламы. Твоя зона — сделать так, чтобы - трафик окупался у рекламодателя и приносил маржу нам.

Требования к кандидату:
- 5+ лет опыта в DS/ML в AdTech
- Умение строить модели под CPA/ROAS
- Знание Python и SQL (ClickHouse)
- Опыт проведения онлайн-экспериментов в аукционе

Читать подробнее:
••••••••

Другие вакансии:
• •••••••• ⚡️
• •••••••• ⚡️

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