ML-разработчик в направление автоматизации контентных задач и документирования

Yandex Crowd — это крупный инфраструктурный сервис Яндекса. Мы внедряем краудсорсинг, чтобы расширять бизнес-процессы: разметку данных, модерацию контента, полевые исследования, тестирование. Кроме того, мы разрабатываем внутренние функции для наших продуктов: клиентский сервис, телемаркетинг, дизайн, локализацию и документирование.

Одна из наших целей — автоматизировать рутинные процессы в работе краудсорс-исполнителей. Мы создаём copilots для дизайнеров, редакторов, локализаторов, а также встраиваем генеративные технологии напрямую в платформы заказов.

Ищем ML-разработчика, которому предстоит пройти путь от создания MVP до реализации полноценного продукта с использованием GenAI-технологий, погрузиться в режим стартапа, поработать с топовыми моделями и придумать лучшие версии архитектур.

Исследовать и внедрять передовые технологии

Вы будете экспериментировать с новейшими мультимодальными GenAI-моделями (VLM, Diffusion и т. д.), фреймворками для агентских систем и новыми подходами к автоматизации задач дизайна и редактуры.

Разрабатывать AI-решения для интеграции в микросервисы

Вам предстоит участвовать в разработке надёжных масштабируемых сервисов. Например, мы автоматизируем дизайн-процессы: создаём внутренние инструменты, которые закрывают большое количество специфических задач Яндекса и снимают рутинную нагрузку с дизайнеров.

Работать в продуктовой команде

Нужно будет совместно с заказчиками и разработкой проверять смелые гипотезы, запускать пилоты, собирать обратную связь и улучшать решения.

Больше об ML в Яндексе — в канале Yandex for ML

* Работали с NLP и CV
* Знаете основы DL и трансформеров
* Хорошо знаете Python, имеете опыт продакшен-разработки, работали с агентскими фреймворками
* Хотите стать экспертом, который будет самостоятельно развивать и поддерживать ряд моделей и продуктов
* Применяете продуктовый подход: умеете формулировать цели, проверять гипотезы и думать о целевом процессе
* Критически мыслите: сравниваете варианты и выбираете оптимальный по данным, рискам и стоимости

* Настраивали пайплайны дообучения, оценки качества, guardrails и безопасной генерации
* Оптимизировали инференс моделей (квантизация, дистилляция и т. д.)