Senior ML-инженер, production ML и LLM

Работодатель: FUSTIS LLC. Формат: удалённо. Длительность: от 6 месяцев. Тип занятости: W2.

Требования

• Степень бакалавра в области компьютерных наук, науки о данных, инженерии, математики, статистики или смежной области.
• Более 8 лет опыта разработки ML-решений в production-среде.
• Уверенное владение Python и лучшими практиками разработки ПО.
• Опыт работы с ML-фреймворками: TensorFlow, PyTorch, Scikit-learn, XGBoost.
• Глубокое понимание методов обучения с учителем и без учителя.
• Опыт создания и сопровождения пайплайнов данных.
• Знание SQL и технологий обработки больших объёмов данных.
• Опыт работы с облачными платформами: AWS, Azure или Google Cloud Platform.
• Знакомство с инструментами контейнеризации и оркестрации: Docker, Kubernetes.
• Опыт работы с системами контроля версий и CI/CD.
• Развитые аналитические, коммуникационные навыки и навыки решения проблем.

Предпочтительно

• Степень магистра или PhD в соответствующей технической области.
• Опыт работы с большими языковыми моделями (LLM), генеративным ИИ или RAG.
• Знание MLOps-инструментов: MLflow, Kubeflow, SageMaker или Vertex AI.
• Опыт работы с распределёнными вычислительными платформами, например Spark.
• Знакомство с векторными базами данных и технологиями эмбеддингов.
• Опыт создания AI-приложений в production-среде.
• Знание ответственного ИИ, управления моделями и методов объяснимости.

Технические навыки

• Программирование: Python, SQL; Java, Scala или C++ (предпочтительно).
• Машинное обучение и ИИ: глубокое обучение, NLP, компьютерное зрение, предиктивное моделирование, генеративный ИИ, тонкая настройка LLM.
• Облако и инфраструктура: AWS, Azure или GCP, Docker, Kubernetes, REST API, CI/CD.
• Технологии данных: Spark, Databricks, Airflow, feature stores, хранилища данных.

Критерии успеха

• Точность моделей и улучшение производительности.
• Надёжность и масштабируемость развёртывания.
• Снижение задержки моделей и затрат на инфраструктуру.
• Бизнес-эффект от AI-инициатив.
• Качество и поддерживаемость production ML-систем.
• Операционная эффективность за счёт мониторинга и автоматизации.