Middle ML-инженер (ML + LLM)

Опыт работы: 1–3 года. Занятость: полная. График: 5/2, 8 рабочих часов. Формат: удалённо или гибрид.

Разработка ML- и LLM-решений, влияющих на бизнес-результаты: классическое машинное обучение на табличных и операционных данных, LLM-пайплайны, RAG и мультиагентные системы на корпоративных данных.

Чем предстоит заниматься

• Классический ML и прогнозирование: разработка и валидация моделей на табличных и операционных данных, анализ факторов, прогнозирование оттока, поиск точек роста бизнес-метрик.
• Персонализация: модели персонализированных предложений и акций, оценка эффекта через A/B-тесты.
• LLM и автоматизация: обработка обращений контакт-центра с использованием расширенного контекста и корпоративных данных.
• RAG и LLM-агенты: создание RAG-пайплайнов (чанкинг, эмбеддинги, ретриверы, реранкеры), разработка агентов с function calling и интеграциями с внутренними системами.
• Оценка качества: формирование датасетов для оценки, выбор метрик для классических и генеративных решений, подходы Hit Rate, MRR, Faithfulness, LLM-as-a-Judge.
• Вывод в продакшн: упаковка моделей в сервисы, интеграция с внутренними системами, работа с API, логированием и мониторингом совместно с командой.
• R&D и прототипирование: быстрая проверка гипотез, создание MVP и оценка их практической ценности.

Что для нас важно

• Опыт в Data Science / Machine Learning от 2 лет.
• Опыт хотя бы одного реального проекта с LLM: RAG, агенты, классификация или извлечение информации, с выходом за рамки экспериментов в ноутбуке.
• Уверенные знания классического ML: feature engineering, валидация моделей, работа с дисбалансом классов, интерпретация результатов.
• Понимание статистики и A/B-тестирования: проверка гипотез, статистическая мощность, типичные ошибки дизайна экспериментов.
• Уверенный Python, чистый и поддерживаемый код, знание SQL.
• Практический опыт с LLM, эмбеддингами и векторными базами данных.
• Понимание принципов работы трансформеров и навыки промпт-инжиниринга.
• Опыт хотя бы с одним LLM-фреймворком, например LangChain, LlamaIndex или LangGraph.
• Базовые инженерные навыки: Linux, Git, Docker, понимание устройства API.
• Умение самостоятельно уточнять бизнес-задачу, предлагать метрики и объяснять результаты понятным языком.

Будет плюсом

• Опыт задач удержания, uplift-моделирования, survival-анализа или персонализации.
• Опыт в логистике, e-commerce или работы с операционными данными.
• Fine-tuning LLM: LoRA, QLoRA, PEFT; работа с open-source-моделями и квантизацией.
• Опыт оркестрации пайплайнов с Airflow или Prefect.
• Знакомство с MLOps, MLflow и мониторингом дрейфа моделей.