ML / LLM инженер

Компания, специализирующаяся на технологических сервисах и трансформации программного обеспечения и персонала, ищет ML / LLM инженера для участия в инициативе по машинному обучению, которая превращает агента, ориентированного на знания, в коммерчески успешный продукт. Работа предполагает взаимодействие с продуктовыми спецификациями для оценки рыночной жизнеспособности.

Обязанности:

• Инженерная трансформация существующего агента, ориентированного на знания и конкурентов, в агента, нацеленного на создание успешного продукта: перепроектирование его базового интеллектуального слоя от поиска и выборки к прогностическому скорингу.
• Проектирование и создание ML-пайплайнов, которые принимают продуктовые входные данные (цвет, тип рукава, категория, цена и т. д.) и выдают классификации «успешный/неуспешный» с показателями уверенности.
• Настройка и оптимизация LLM-интегрированных рабочих процессов, где текстовые описания продуктов, брифы покупателей или спецификации парсятся, обогащаются и подаются в модель.
• Создание пользовательских интерфейсов ввода, позволяющих бизнес-пользователям вводить продуктовые спецификации в формализованном или диалоговом виде и получать ранжированные прогнозы с пояснительным обоснованием.
• Работа с данными об ассортименте и эффективности продуктов для построения, валидации и непрерывного улучшения моделей с учителем и полуавтоматических прогностических моделей.
• Разработка пайплайнов извлечения признаков из данных об атрибутах продуктов: обработка категориальных переменных (цвет, конструкция), сезонных паттернов, исторических показателей продаж и сигналов конкурентов.
• Совместная работа с командами данных и продуктов для определения стратегий разметки для эталонной истины «успешный/неуспешный»: выявление правильных бизнес-метрик (продажи, маржа, повторные заказы) в качестве обучающего сигнала.
• Оценка и итерация производительности моделей: создание офлайн-фреймворков оценки и интеграция циклов обратной связи от живого использования в процесс улучшения модели.
• Документирование архитектуры моделей, данных и логики для поддержки управления, объяснимости и доверия заинтересованных сторон.

Требования:

• Сильный практический опыт в ML: классификация, регрессия, градиентный бустинг (XGBoost, LightGBM, Random Forest), проектирование признаков, оценка моделей и продакшн-развертывание.
• Практический опыт интеграции LLM в производственные рабочие процессы: инженерия промптов, вызов функций/инструментов, RAG-пайплайны, парсинг и оценка LLM.
• Опыт построения моделей, прогнозирующих реальные результаты или успех продукта на основе данных об атрибутах: контексты розничной торговли, моды, FMCG или ассортимента являются преимуществом.
• Владение Python с pandas, NumPy и scikit-learn; способность обрабатывать, очищать и создавать признаки из неструктурированных данных о продуктах или транзакциях.
• Опыт построения и развертывания сквозных ML-пайплайнов: обучение, оценка, версионирование и сервировка инференса.
• 4–8 лет общего опыта в машинном обучении и/или AI-инженерии, минимум 2 года работы с LLM в производственном или близком к производственному контексте.
• Сильный количественный бэкграунд: уверенное владение математикой моделей классификации, калибровкой вероятностей и метриками оценки (AUC, F1, компромиссы precision/recall).
• Одинаково комфортная работа с табличными данными (атрибуты продуктов, история продаж) и текстом (описания продуктов, заметки покупателей, отчеты о трендах).
• Прагматичный инженерный подход, балансирующий сложность моделей и скорость доставки: понимание, когда тонко настроенная модель градиентного бустинга превосходит LLM-пайплайн, а когда нет.
• Развитые навыки совместной работы с командами мерчандайзинга, данных и продуктов, которые могут не иметь технического бэкграунда.
• Интерес к продуктовой области: искреннее понимание того, что делает продукт коммерчески успешным, а не только оптимизация функций потерь в изоляции.
• Предыдущий опыт работы с данными о продуктовом ассортименте, системами мерчандайзинга, PLM-данными или прогнозированием спроса в розничном или потребительском контексте.
• Практический опыт работы с LangChain, Semantic Kernel или аналогичными оркестрационными фреймворками для создания LLM-рабочих процессов.
• Опыт использования текстовых или мультимодальных эмбеддингов для кодирования атрибутов продуктов, поиска по сходству или кластеризации ассортимента.
• Знакомство с MLflow или аналогичными инструментами для отслеживания экспериментов, реестра моделей и мониторинга производительности.
• Опыт работы с Azure ML, AWS SageMaker или аналогичными платформами.