AI/ML-инженер, Data Scientist (Python)
Полигонатор — компания, специализирующаяся на создании тренажёров для предприятий: обучающих комплексов, интерактивных сред с реалистичной физикой и VR-тренажёров. Компания разрабатывает ПО полного цикла и внедряет ИИ: от аналитики и прогнозных моделей до LLM-приложений и исследовательских прототипов. В работе используется Unreal Engine 5.
Компания ищет AI-разработчиков, которые понимают принципы работы современных технологий искусственного интеллекта и способны проектировать, разрабатывать и совершенствовать собственные AI-системы, а не только использовать готовые решения.
Общие требования для всех направлений:
- Уверенный Python: чистый, тестируемый, воспроизводимый код (type hints, модули, venv).
- Git и культура работы с ветками и ревью; понимание CI-процессов на базовом уровне, PyTest, Docker.
- SQL (с оговоркой по направлениям).
- Умение читать документацию и научные статьи на английском.
- Линейная алгебра, теория вероятностей, математическая статистика.
- Понимание метрик качества и принципов валидации моделей.
- Понимание переобучения, утечки данных (data leakage) и способов борьбы с ними.
- Умение переводить бизнес-задачу в техническую постановку.
- Способность объяснить результат нетехническим стейкхолдерам.
- Самостоятельность: доведение задачи от постановки до результата без пошагового руководства.
- Python-экосистема для данных: pandas, NumPy.
- GitLab.
Будет плюсом: C/C++, Rust, Go, Unreal Engine 5.
Направление Data Scientist:
- Статистический вывод: проверка гипотез, p-value, доверительные интервалы.
- Дизайн A/B-экспериментов: расчёт размера выборки, контроль ошибок I/II рода, анализ результатов.
- Классический ML: регрессия, классификация, ансамбли (XGBoost / LightGBM / CatBoost), кластеризация, PCA.
- Feature engineering: обработка пропусков, выбросов, категориальных признаков; создание признаков из бизнес-логики.
- Понимание продуктовых метрик (retention, LTV, конверсия).
- Инструменты: pandas, NumPy, scikit-learn, Matplotlib / Seaborn / Plotly; XGBoost / LightGBM; SQL, Jupyter, Git.
- Плюсом: Polars, PySpark, MLflow, Airflow, Streamlit / Dash.
Направление ML Engineer:
- Построение пайплайнов подготовки данных и обучения моделей.
- Деплой моделей: упаковка в сервис, версионирование, канареечные релизы.
- Мониторинг: дрейф данных (data drift), деградация качества, алертинг.
- Оптимизация инференса: батчинг, квантизация, ONNX / vLLM / TGI / Ollama / llama-cpp.
- Основы облачной инфраструктуры (AWS / GCP / Azure: вычисления, хранение, IAM).
- RL-инфраструктура: векторизованные среды, параллельный сбор опыта, обучение политик в симуляции, интеграция с Isaac Lab / Gymnasium.
- Инструменты: PyTorch / TensorFlow; Docker, Kubernetes, CI/CD (GitHub Actions / GitLab CI); MLflow / W&B, FastAPI / Pydantic; Prometheus / Grafana, очереди (Celery / RQ), Redis, Postgres.
- Плюсом: Go/Rust (инфраструктура).
Направление AI Engineer:
- Архитектура RAG: стратегии чанкинга, эмбеддинги, векторный и гибридный поиск, оптимизация retrieval.
- LLM и промпт-инжиниринг: контекстное окно, токен-экономика, стоимость и задержка, структурированный вывод (JSON), few-shot.
- Агенты и tool calling: LangChain / LangGraph, function calling, MCP-архитектура.
- Оценка качества и защита: LLM-as-judge, RAGAS, снижение галлюцинаций, защита от промпт-инъекций.
- Бэкенд-интеграция: FastAPI, работа с внешними API и БД.
- Инструменты: FastAPI (построение API для LLM-сервисов), Docker, Redis, Celery (очереди, кэширование, фоновые задачи).
- Опыт с одним из RAG-фреймворков: LlamaIndex (document-heavy RAG) или LangChain / LangGraph (агентные workflow).
- Понимание выбора векторной БД: pgvector (консолидация с PostgreSQL), Pinecone (managed), Weaviate (open-source, гибридный поиск), FAISS (прототипы), Qdrant.
Направление AI R&D Developer:
- Глубокое обучение: уверенное владение PyTorch, понимание Transformer и смежных архитектур.
- Воспроизведение статей (paper replication) и проведение контролируемых экспериментов: ablation study, контрольные группы, статистическая значимость.
- Доменная специализация в одном из направлений: NLP / CV / графы / временные ряды.
- Оптимизация обучения и инференса: квантизация, Flash Attention, DeepSpeed (знакомство); базовые знания CUDA — плюс.
- Умение упаковать результат исследования в прототип или API для передачи в прод.
- RL (плюс для R&D-вектора): понимание постановки MDP, experience replay, policy gradient vs value-based методы, sim-to-real transfer; опыт обучения агентов в симуляции (Isaac Lab, Gymnasium, PettingZoo).
- Инструменты: PyTorch / JAX, Hugging Face, W&B / MLflow; CUDA (плюс), DeepSpeed, vLLM; Git, Docker.
Условия труда:
- 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.
Опыт работы: 1–3 года. Занятость: полная. Формат работы: на месте работодателя, удалённо или гибрид.