MLflow

Формат

Гибрид

Страна

Россия

Город

Москва

Грейд

Middle

Урал Логистика ML-инженер (Python, PyTorch, fine-tuning) Полная занятость. Формат работы: офис или гибрид (Москва). Чем предстоит заниматься - Строить конвейеры подготовки данных: сбор, очистку, нормализацию, дедупликацию и разметку. - Формировать обучающие, валидационные и независимые оценочные выборки, контролировать утечки и пересечения. - Создавать baseline для задач извлечения, классификации, определения сущностей и связей. - Дообучать модели, готовить инструктивные наборы, обучать адаптеры и сравнивать результаты с базовыми моделями. - Определять метрики, стратифицировать выборки и анализировать ошибки по типам документов, сценариям и полям. - Работать с извлечением сущностей и связей для построения и обновления графового представления данных. - Разворачивать локальный inference и оптимизировать его под доступную инфраструктуру. - Работать с tensor parallelism, batching, длиной контекста, GPU-памятью и квантованием. - Измерять задержку, пропускную способность, утилизацию и стоимость обработки документа. - Версионировать данные, модели, конфигурации обучения и результаты экспериментов. - Участвовать в интеграции моделей с прикладными AI-сервисами и production-конвейерами. Пожелания к кандидатам - Рассматриваем кандидатов уровня middle+ и выше. - Практический опыт построения ML-конвейеров, которые используются в production. - Уверенное владение Python, PyTorch и Hugging Face Transformers. - Практический опыт fine-tuning языковых моделей, подготовки данных и работы с PEFT. - Умение строить корректную оценку качества и контролировать утечки между обучающими и тестовыми данными. - Опыт локального inference LLM и понимание устройства GPU-памяти. - Знание компромиссов между качеством, скоростью, длиной контекста, batching и квантованием. - Linux, CUDA, SQL, Docker и Kubernetes. - Способность выйти за пределы notebook и довести модельное решение до устойчивой эксплуатации. - Стек: Python, PyTorch, Hugging Face Transformers, PEFT, pandas, SQL, PostgreSQL, Airflow или аналог, MLflow или аналог, vLLM, CUDA, Docker, Kubernetes.

Формат

Офис

Страна

Россия

Город

Не указан

Компания СОГАЗ, блок IT, центр внедрения ИИ. Проект: продуктовая ML-платформа, генеративные AI-ассистенты и классические модели машинного обучения. Формат работы — полный офис в бизнес-центре у м. Курская. Обязанности: - Проектировать архитектуру AI-систем; - Внедрение GPU-планировщика для шаринга нагрузки на одном железе; - Проектирование и поддержка ML-пайплайнов; - CI/CD для моделей: версионирование данных, моделей, экспериментов; - Мониторинг production-моделей; - Деплой и оптимизация LLM / inference-серверов; - Контейнеризация и оркестрация сервисов; - CI/CD (GitLab CI); - Мониторинг и observability (Prometheus, Grafana); - Обеспечение выполнения требований ИБ в отношении инфраструктуры. Требования: - Бэкграунд в ML/DS — понимание процессов обучения, инференса, работы с данными; - Опыт от 2 лет в MLOps / DevOps с ML-спецификой; - Docker, Kubernetes — production-опыт; - CI/CD (GitLab CI, методология GitOps); - Глубокие знания Linux; - Опыт построения или управления GPU-кластерами (NVIDIA, CUDA, nvidia-container-toolkit); - Понимание специфики multi-tenant GPU-шаринга (MIG, MPS, time-slicing); - Опыт работы с LLM / inference-серверами (vLLM, TGI, Triton); - Опыт с GPU-планировщиками; - Опыт с MLflow, Kubeflow, Airflow или аналогами; - Высшее техническое образование. Условия: - Оформление полностью в соответствии с ТК РФ, включая оплачиваемый отпуск 29 календарных дней (плюс 1 день отпуска); - ДМС в лучших клиниках города, страхование жизни и страхование от несчастных случаев и болезней + ДМС родственников с 75% скидкой; - Премиальные условия на всю продуктовую линейку группы компаний «СОГАЗ» для работников и их близких родственников (ОСАГО, каско, имущество, жизнь); - Социальный пакет и специальные предложения по страхованию, кредитованию и другие программы от партнёров; - Профессиональное развитие: курсы, тренинги, корпоративная библиотека; - Забота о детях сотрудников: подарки на Новый год и скидки в детские лагеря.

Формат

Офис

Страна

Россия

Город

Не указан

О компании Aston — аккредитованная аутсорсинговая IT-компания, работающая с 2007 года. Штат насчитывает 2500+ специалистов. Компания разрабатывает программное обеспечение и IT-решения в сферах Finance, Healthcare, eCommerce, IoT, Media, Big Data, ML и других. Заказчик — крупнейший коммерческий банк страны, лидер по объему активов и цифровому развитию. Банк активно продвигает мобильные сервисы, ценит скорость, гибкость и неформальный подход внутри команд. Многократно отмечен наградами, в том числе «Bank of the Year in Russia 2019» (The Banker) и «Best Mortgage Bank in CEE» (Global Finance). Интересные стороны роли - глубокая автоматизация — возможность оптимизировать процессы развертывания и мониторинга; - влияние на инфраструктуру — участие в принятии решений по масштабируемости и надежности системы. Задачи - создавать AI-агентов и платформы для них; - строить MLOps-инфраструктуру; - работать с данными для ML. Требования - опыт работы в роли MLOps Engineer/Data Engineer/Python ML от 3,5 лет; - production-опыт с фреймворками MLOps: Kubeflow, MLflow, Airflow для оркестрации, понимание их интеграции в CI/CD пайплайны; - опыт работы с Docker и Kubernetes в контексте развертывания моделей как сервисов; - опыт работы с одним из major cloud-провайдеров, желательно GCP или AWS/Azure с пониманием hybrid-cloud; - умение работать с большими данными, опыт с Greenplum или аналогичными MPP-системами (Teradata, Exasol); - знание распределенных вычислений (Spark); - опыт работы с LangChain/LlamaIndex, FastAPI, знание фреймворков для работы с LLM (Hugging Face, vLLM и т.д.); - отличные знания Python, SQL на очень высоком уровне для работы с data vault; - знания Git, GitLab CI/CD. Условия - зарплата обсуждается индивидуально, есть доплаты за менторство и профактивности; - долгосрочные проекты от российских заказчиков, возможность менять направления, прозрачная система Performance Review; - релокейт между офисами, выбор формата работы: удалённо, офис, гибрид; - адаптация для новых сотрудников; - доступ к корпоративному порталу, митапам, конференциям, в том числе в роли спикера; - ДМС со стоматологией, частичная компенсация спорта, бесплатный английский, оплачиваемый отпуск и больничные; - тимбилдинги, детские праздники, внутренние мероприятия. Офисы - Москва, ул. Вильгельма Пика, 11, БЦ «Ботаника», 13 этаж, офис 1310; - Санкт-Петербург, Владимирский проспект, д. 23, 8 этаж; - Казань, Н. Ершова, 76/1; - Нижний Новгород, ул. Новая, 28, коворкинг «VMESTE»; - Самара, IT-парк «Монте Роза».

Формат

Удалённо

Страна

Не указана

Город

Не указан

Аккредитованная ИТ-компания «Системы и Алгоритмы» ищет GenAI-разработчика. Условия: - Зарплата: 230 000 рублей gross. - Формат: удалённо. - Занятость: полная. - Трудоустройство: ТД/ИП/СЗ/ГПХ. Требования: - Понимание архитектуры, возможностей и ограничений современных языковых моделей. - Опыт работы с embeddings, vector search, RAG, structured output и tool calling. - Опыт построения evals для LLM-систем, оценки качества ответов, контроля галлюцинаций и мониторинга поведения системы. - Опыт работы с API языковых моделей, Hugging Face и одним из orchestration-фреймворков. - Опыт работы с Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana. - Опыт эксплуатации GPU-инфраструктуры и оптимизации inference. - Опыт fine-tuning или адаптации LLM, включая LoRA / PEFT. - Опыт проектирования agentic workflows или multi-agent-систем. - Понимание принципов информационной безопасности, privacy и работы с персональными данными. Задачи: - Разработка сервисов ИИ-платформы для создания функциональных агентов и ИИ-ассистентов. - Подготовка бэкенда для функциональных агентов, включая среду разработки агентов: тестирование фреймворков, opensource-агенты. - Разработка сервиса управления реестром и скиллами агентов. - Создание единого сервиса для всех баз знаний, интеграция крупных корпоративных источников.

Формат

Офис

Страна

Россия

Город

Не указан

Обязанности: - Разработка ИИ-ассистентов и функциональных агентов в рамках проверки PoC для ИИ-идей, входящих в ИИ-инкубатор. - Практическое применение знаний в NLP. - Запуск моделей на GPU и CPU. - Контейнеризация. - Работа с Jenkins. - Использование векторных баз и эмбеддингов для RAG. - Реализация function calling. - Работа с KServe. - Применение BERT-подобных моделей. - Работа с эвристиками. - Опыт квантизации LLM. Требования: - Понимание принципов проектирования AI-агентов: управление состоянием и контекстом, выбор инструментов, контроль уровня автономности и human-in-the-loop. - Глубокое понимание основных принципов машинного обучения: подготовка данных и признаков, выбор моделей, регуляризация, переобучение, data leakage, интерпретация результатов. - Знание математической статистики: проверка гипотез, доверительные интервалы, дизайн и анализ A/B-тестов. - Понимание принципов оценки качества ML-систем: offline- и online-метрики, построение валидации, оценка бизнес-эффекта, мониторинг качества моделей и данных. - Опыт работы хотя бы в одном из направлений: классическое машинное обучение; временные ряды и прогнозирование; рекомендательные системы, поиск и ранжирование; NLP, LLM и генеративный AI. - Уверенное владение Python и основными библиотеками для анализа данных и машинного обучения: pandas или polars, NumPy, scikit-learn, CatBoost / LightGBM / XGBoost, PyTorch или аналогичные инструменты. - Умение писать поддерживаемый production-код: модульная архитектура, тестирование, логирование, документация, работа с Git и участие в code review. - Уверенное владение SQL. - Опыт построения evals для LLM-систем, оценки качества ответов, контроля галлюцинаций и мониторинга поведения системы. - Понимание рисков prompt injection, некорректного tool calling, утечки данных и чрезмерных прав доступа агента. - Опыт работы с API языковых моделей, Hugging Face и одним из orchestration-фреймворков. - Умение оценивать стоимость, latency и масштабируемость LLM-решений. - Опыт работы в e-commerce, retail или других продуктовых highload-системах. - Опыт работы с Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana. - Опыт эксплуатации GPU-инфраструктуры и оптимизации inference. - Опыт fine-tuning или адаптации LLM, включая LoRA / PEFT. - Опыт проектирования agentic workflows или multi-agent-систем. - Понимание принципов информационной безопасности, privacy и работы с персональными данными.

Формат

Гибрид

Страна

Не указана

Город

Не указан

Грейд

Middle / Senior

Занятость: full-time. Локация: Астана / Алматы. Формат: гибрид. Старт: середина сентября 2026. Проект: до конца 2026 года с возможным продлением. Ставка: обсуждается. Требуемая релевантность опыта: 85%+. Дедлайн подачи резюме: 29.08.2026. Задачи: - развёртывание ML-моделей в production; - контейнеризация и настройка inference-серверов; - работа с Triton, TorchServe, BentoML или аналогами; - администрирование GPU-серверов; - NVIDIA Drivers, CUDA, cuDNN; - настройка GPU-нод в Kubernetes; - CI/CD для ML-сервисов; - мониторинг и алертинг через Prometheus/Grafana; - управление ресурсами GPU-кластера и оптимизация их загрузки. Требования: - Docker, Kubernetes, Helm; - MLflow; - Triton / BentoML / TorchServe; - Python + Bash/Shell; - NVIDIA GPU, CUDA, cuDNN; - nvidia-smi, DCGM; - GitHub Actions / GitLab CI / Argo Workflows; - Prometheus, Grafana. Проект: развёртывание и администрирование ML-моделей в production-среде телеком-оператора.

Формат

Удалённо

Страна

Не указана

Город

Не указан

Грейд

Senior

Мы — технический, ориентированный на внедрение спин-офф глобальной управленческой консалтинговой компании. Наши клиенты — преимущественно компании из DAX и Fortune Global 500, которым мы оказываем консультации по вопросам аналитики, больших данных и машинного обучения. В рамках группы мы занимаемся разработкой индивидуальных и управляемых данными решений, чтобы превратить клиентов в компании на базе ИИ. Мы предлагаем международную рабочую среду с гибкими командами и креативными стартап-методами, а также выше среднего вознаграждение и многочисленные дополнительные льготы. Офисы в Гамбурге, Мюнхене и Дюссельдорфе, а также хаб-локации во всех крупных городах Германии (Берлин, Франкфурт, Штутгарт) обеспечивают интеграцию всех коллег в нашу команду экспертов по всей Германии. В роли Senior AI Engineer вы объединяете миры науки о данных, машинного обучения, разработки ПО и консалтинга. Ваша миссия — разрабатывать и вводить в эксплуатацию модели ИИ, которые приносят измеримый эффект для клиентов. Вы тесно сотрудничаете с заинтересованными сторонами, чтобы понять бизнес-задачи, преобразовать их в подходы на основе данных и перевести инсайты в готовые к продакшену сквозные решения. Вы проектируете, внедряете и оцениваете кейсы применения ИИ и ML — от классического ML до передовых LLM — и обеспечиваете их надежное развертывание и мониторинг в реальных средах. Помимо создания прототипов, вы сосредоточены на практиках MLOps, разработке ПО и интеграции, обеспечивая воспроизводимость, масштабируемость и непрерывное улучшение систем ИИ. Вы ясно и уверенно доносите результаты до технической и нетехнической аудитории, делая сложные решения понятными и применимыми. Вам нравится мыслить за пределами краткосрочной реализации, чтобы создавать долгосрочный эффект для бизнеса клиентов. Требования: - Подтвержденный опыт в науке о данных, статистике, машинном обучении, разработке ПО и/или прикладных проектах ИИ. - Свободное владение Python, уверенное использование современных и распространенных ML-фреймворков и библиотек. - Опыт в MLOps и развертывании: сервировка моделей, мониторинг, CI/CD-процессы (например, MLflow, Airflow, Docker, GitHub Actions). - Навыки разработки ПО: чистый поддерживаемый код, структурирование проектов с использованием современных практик (FastAPI, SQLAlchemy, Pydantic). - Практический опыт в NLP и LLM, таких как GPT, Claude, Gemini, Llama или Deepseek. - Основы инженерии данных: уверенное знание SQL и работы с базами данных, умение проектировать эффективные пайплайны для обучения и инференса. - Опыт работы с ML-стеками на AWS, Azure или Google Cloud. - Свободное владение немецким (C1) и английским языками. Условия: - Гибкая работа: гибридные модели, гибкий график, возможность работы из дома. - Открытая коллаборативная культура с плоской иерархией, международная команда. - Индивидуальные возможности обучения и карьерные пути, поддержка профессионального и личного развития. - Международная сеть из более чем 1300 коллег, регулярные кросс-офисные и международные мероприятия. - Возможность саббатикала. - Программа Company Bike и субсидируемое членство EGYM Wellpass. - Современные офисы в центральных локациях Гамбурга, Мюнхена и Дюссельдорфа, а также гибкие хаб-локации в крупных городах Германии. - Бесплатные напитки, свежие фрукты, закуски, премиальный кофе. - Среда, построенная на доверии, ответственности и непрерывном росте, где ваши идеи ценятся независимо от роли или уровня.

Формат

Офис

Страна

Россия

Город

Не указан

Грейд

Senior

Senior AI Researcher / ML & LLM Engineer Локация: Россия / Беларусь. Работа строго по МСК. Требования: — архитектура AI-агентов, tool calling, memory/context, human-in-the-loop — ML: обучение, признаки, регуляризация, борьба с overfitting и data leakage — матстатистика, A/B-тесты, гипотезы и доверительные интервалы — LLM Evals и система метрик — prompt injection, PII/privacy и безопасность AI-агентов — Python + NumPy / pandas / scikit-learn / CatBoost / XGBoost / PyTorch — продвинутый SQL — Hugging Face, LLM API, orchestration frameworks — Airflow, MLflow, Kafka, Redis, Kubernetes — Prometheus, Grafana, OpenTelemetry — GPU-инфраструктура и оптимизация inference — fine-tuning: LoRA / PEFT — agentic workflows / multi-agent systems — production-код, GitFlow, тестирование, code review — опыт в e-commerce, retail или highload-продуктах Подойдёт специалисту, который действительно глубоко понимает ML/LLM и умеет доводить AI-системы до production.

Формат

Удалённо

Страна

Россия

Город

Не указан

Грейд

Lead

Позиция: Ведущий DevSecOps / MLOps Инженер Название компании: Агрохолдинг Формат: удалённая работа Занятость: полная, долгосрочный проект Оформление: аутстафф ИП, СЗ Ставка: от 270 000 до 280 000 RUB Гражданство — РФ/РБ, локация — РФ, РБ Ищем ведущего DevSecOps/MLOps-инженера для внедрения ИИ и цифровой трансформации. Роль сочетает техническую экспертизу, архитектуру и бизнес-анализ: будете проектировать инфраструктуру для AI/ML- и RAG-сервисов, выстраивать DevSecOps-практики и интегрировать ИИ-решения с корпоративными системами. Ключевые требования: - Опыт от 3 лет в DevSecOps с фокусом на ИТ- и AI-решениях, проекты в промышленной эксплуатации. - Проектирование AI/ML/RAG-инфраструктуры (LLM, векторные БД, GPU-инференс, оркестрация). - CI/CD (Jenkins, K8s, Helm), IaC (Terraform, Ansible), Linux, сетевые контуры (VLAN, DMZ). - Мониторинг и безопасность: Prometheus/Grafana, SAST/DAST, Trivy, Vault; знание 152-ФЗ, 187-ФЗ. - Инструменты и стек: Python 3.10+, SQL, JS/TS, vLLM, Qdrant/Weaviate, Airflow, MLflow, Keycloak, Dify/LangGraph. - Архитектурные навыки: C4, UML, BPMN; интеграция с 1С, CRM, DWH, BI. Будет плюсом: - Построение DevSecOps с нуля или развитие практик. - MLOps/LLMOps: версионирование, мониторинг качества моделей. - Облака (Yandex Cloud, AWS, GCP), сертификаты DevOps/Kubernetes/ИБ. Основные задачи: - Проектировать и сопровождать инфраструктуру (DataHub, AI/ML, RAG, чат-боты, базы знаний). - Развивать DevSecOps: CI/CD, IaC, управление секретами, контроль уязвимостей, аудит. - Настраивать пайплайны сборки, тестирования и доставки в dev/test/preprod/prod. - Обеспечивать надёжность, отказоустойчивость, масштабирование и оптимизацию затрат. - Собирать требования бизнеса, формировать ТЗ, совместно с DE/DS/ML определять архитектуру ИИ-решений. - Интегрировать ИИ-сервисы с корпоративными системами.

Формат

Офис

Страна

Россия

Город

Не указан

Компания: Top Selection Ищем AI-исследователя в команду ИИ-инкубатора крупного ритейлера. Будем собирать PoC, агентов и внедрять LLM в реальные бизнес-процессы. Зарплата: 260-300 тыс. руб/мес График: МСК ± 2, полная удаленка Гражданство/локация: только РФ Проект до конца года + возможна пролонгация Оформление: по договору ИП Требования: - Разработка архитектуры агентов: управление состоянием диалога и контекстом, динамический выбор инструментов (tool calling), настройка уровней автономности и сценариев human-in-the-loop - Глубокое понимание жизненного цикла ML-модели: от подготовки признаков до интерпретации результатов - Знание методов борьбы с переобучением, data leakage, регуляризации; уверенный выбор алгоритмов под задачу - Владение матстатистикой для проверки гипотез, расчета доверительных интервалов и самостоятельного дизайна A/B-тестов - Построение системы метрик: разработка офлайн- и онлайн-показателей, кросс-валидация, прямая оценка бизнес-эффекта - Непрерывный мониторинг дрейфа моделей и качества данных в продакшене - Опыт работы хотя бы в одном из направлений: классическое машинное обучение; временные ряды и прогнозирование; рекомендательные системы, поиск и ранжирование; NLP, LLM и генеративный AI - Языки и библиотеки: Python (pandas/polars, NumPy, scikit-learn, CatBoost/XGBoost/LightGBM, PyTorch), продвинутый SQL - Написание поддерживаемого production-кода: модульная архитектура, юнит-тесты, логирование, документация, работа с GitFlow и код-ревью - Построение пайплайнов оценки (LLM Evals): контроль галлюцинаций, релевантности ответов и мониторинг поведения системы - Обеспечение безопасности: защита от prompt injection, предотвращение утечек персональных данных (PII/privacy) и аудит прав доступа агента - Практический опыт работы с API языковых моделей, платформой Hugging Face и orchestration-фреймворками - Умение оценивать стоимость, latency и масштабируемость LLM-решений - Опыт работы в e-commerce, retail или других продуктовых highload-системах - Инфраструктура и оркестрация: Airflow, MLflow, Kafka, Redis, Kubernetes - Мониторинг и наблюдаемость: Prometheus, Grafana, OpenTelemetry - Опыт эксплуатации GPU-инфраструктуры и оптимизации inference - Адаптация моделей через fine-tuning (LoRA/PEFT) - Опыт проектирования agentic workflows или multi-agent-систем - Понимание принципов информационной безопасности, privacy и работы с персональными данными Задачи на проекте: - Разработка генеративных ИИ-моделей для синтеза визуального и проектного контента на основе структурированных данных товарного каталога в рамках проверки гипотез (PoC) внутри корпоративной платформы по оценке ИИ-инициатив Условия: - Решаем нестандартные задачи ИИ-инкубатора (от гипотезы до защиты на Экспертном комитете) - Реальный highload и Big Data в Retail

Формат

Офис

Страна

Не указана

Город

Не указан

Грейд

Senior

GetTransfer ищет опытного ML Engineer для разработки и внедрения ML-решений в production. В периметре компании — широкий спектр проектов: от RightTech и mobility до fintech и других технологических направлений. Это возможность работать с разными типами ML-задач, современным стеком и практически безграничными возможностями для профессионального развития в области Machine Learning. Что предстоит делать: - разрабатывать и улучшать ML-модели; - работать с большими объёмами данных; - внедрять модели в production и поддерживать их жизненный цикл; - выстраивать ML pipelines и MLOps-процессы; - заниматься мониторингом качества моделей и данных; - работать с Python и современным ML-стеком. Ожидания: - 5+ лет опыта в Machine Learning; - сильный Python; - опыт production deployment ML-моделей; - опыт с MLOps, MLflow или аналогичными инструментами; - понимание model/data versioning, CI/CD и автоматизации ML pipelines; - опыт построения мониторинга моделей и data quality; - умение работать с большими объёмами данных и сложными ML-системами.

Формат

Удалённо

Страна

Не указана

Город

Не указан

Грейд

Senior

Eraneos — технический спин-офф глобальной управленческой консалтинговой компании. Клиенты — преимущественно компании из DAX и Fortune Global 500. Мы разрабатываем индивидуальные решения в области аналитики, больших данных и машинного обучения, помогая клиентам становиться компаниями на основе ИИ. Головной офис в Гамбурге, дополнительные офисы в Мюнхене и Дюссельдорфе, хаб-офисы в Кёльне, Берлине, Франкфурте и Штутгарте. Senior AI-инженер соединяет Data Science, машинное обучение, разработку ПО и консалтинг. Задачи: - Разрабатывать и вводить в эксплуатацию ИИ-модели, дающие измеримые результаты для клиентов. - Тесно работать с заинтересованными сторонами: понимать бизнес-задачи, переводить их в подходы на основе данных и превращать в готовые end-to-end решения. - Проектировать, внедрять и оценивать сценарии ИИ и ML — от классического ML до современных LLM, обеспечивать их надёжное развёртывание и мониторинг. - Создавать прототипы, применять практики MLOps, разработку ПО и интеграцию для воспроизводимости, масштабируемости и непрерывного улучшения ИИ-систем. - Понятно и уверенно доносить результаты до технической и нетехнической аудитории. - Думать за пределами краткосрочной реализации, добиваясь устойчивого эффекта для бизнеса клиентов. Требования: - Подтверждённый опыт в Data Science, статистике, машинном обучении, разработке ПО и/или прикладных ИИ-проектах. - Свободное владение Python, уверенное использование современных и распространённых ML-фреймворков и библиотек. - Опыт с Model Serving, мониторингом и CI/CD-процессами (например, MLflow, Airflow, Docker, GitHub Actions). - Написание чистого поддерживаемого кода, структурирование проектов с использованием современных практик разработки (FastAPI, SQLAlchemy, Pydantic). - Практический опыт с NLP и LLM: GPT, Claude, Gemini, Llama или Deepseek. - Уверенное владение SQL и работа с базами данных, проектирование эффективных пайплайнов для обучения и инференса. - Знакомство с ML-стеками на AWS, Azure или Google Cloud. - Свободный немецкий (C1) и английский. Условия: - Проекты на стыке стратегии, технологий и бизнеса. - Гибкий график, мобильные модели работы, возможность удалённой работы. - Открытая культура на «ты», плоские иерархии, международная среда. - Индивидуальные карьерные пути, обучение и развитие. - Международная сеть из более чем 1300 коллег, регулярные мероприятия. - Возможность саббатикала. - Company Bike и субсидия на EGYM Wellpass. - Современные офисы в Гамбурге, Мюнхене, Дюссельдорфе и гибкие хабы в крупных городах Германии. - Бесплатные напитки, фрукты, закуски и кофе.

Формат

Удалённо

Страна

Не указана

Город

Не указан

Грейд

Lead

AI Product Manager / AI Lead Компания T1 развивает продукты на основе больших данных и искусственного интеллекта, создаёт платформы хранения данных, аналитические и рекомендательные системы для крупного бизнеса. Компания ищет специалиста, который сможет управлять AI-продуктами, координировать технические команды и участвовать в развитии AI-стратегии. Чем предстоит заниматься - Управлять AI-продуктами от идеи до запуска в production. - Участвовать в формировании AI-стратегии: Roadmap, KPI и приоритизация инициатив. - Прорабатывать архитектуру AI-решений. - Координировать команды Data Scientists, ML-инженеров и Data Engineers. - Запускать PoC и MVP AI-продуктов. - Решать задачи масштабирования моделей и повышения качества данных. - Оптимизировать инференс моделей по скорости, стоимости и точности. - Работать с дообучением open-source моделей под бизнес-задачи. Что важно - Опыт работы на релевантной позиции от 5 лет. - Опыт в сфере AI. - Опыт коммерческой разработки и широкий технический кругозор. - Опыт управления командой — обязательно. - Умение презентовать решения и ценность продуктов C-level. - Понимание Agile / Scrum в ML-проектах. - Лидерские качества, критическое мышление и сильные коммуникационные навыки. Технологический стек - Python, SQL. - scikit-learn, TensorFlow, PyTorch. - Hugging Face, LangChain. - MLflow, Kubeflow, Airflow. - Docker, Kubernetes, K8s. - Spark. - DWH: BigQuery, Snowflake. - Векторные базы: FAISS, Pinecone. - Kafka. - LLM и NLP-модели. - Embeddings, NER, classification. О компании В состав T1 входят Т1 Иннотех, Т1 ИИ, Т1 Интеграция, Т1 Облако, Т1 Сервионика, Т1 Цифровая Академия и НОТА от Т1. Компания предлагает стабильную работу, профессиональное развитие, интересные AI-проекты и комфортный гибридный формат.

Формат

Удалённо

Страна

Любая

Город

Не указан

Грейд

Senior

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.

Формат

Удалённо

Страна

Германия

Город

Берлин

О роли JetBrains создаёт инструменты для разработчиков. В команде Agentic Models строят многошаговых агентов для написания кода, которые понимают большие кодовые базы, планируют изменения, вызывают инструменты и итерируют вместе с пользователем. Research Engineer отвечает за модели, тренировочные циклы и пайплайны оценки, которые обеспечивают работу этих агентов. Работа ведётся на стыке SFT и RL-посттренировки и продуктовой оценки, с использованием распределённых GPU- и MapReduce-кластеров для выпуска моделей в продукты JetBrains. Задачи - Проектировать, внедрять и поддерживать пайплайны SFT и RL-посттренировки для многошаговых агентов написания кода. - Обучать и адаптировать LLM для агентных сценариев: планирование, использование инструментов, многошаговые взаимодействия внутри IDE JetBrains. - Создавать и развивать среды оценки и симуляции, где агенты могут действовать, измеряться и сравниваться на реалистичных задачах разработчика. - Разрабатывать фреймворки и метрики оценки поведения агентов, анализировать трейсы и логи, замыкать цикл от оценки обратно к обучению, данным и дизайну наград. - Анализировать результаты обучения и оценки, предлагать и внедрять улучшения архитектур моделей, рецептов обучения и датасетов. - Работать с крупномасштабной инфраструктурой: распределённое обучение на GPU-кластерах и обработка данных в стиле MapReduce для претрейнинга и датасетов тонкой настройки. - Тесно взаимодействовать с исследовательскими, продуктовыми и инфраструктурными командами, превращая продуктовые задачи в конкретные модели, эксперименты и выпущенные функции. Требования - Обширный практический опыт обучения LLM (претрейнинг, тонкая настройка или посттренировка) в исследовательской или производственной среде. - Глубокое знание современных фреймворков глубокого обучения, таких как PyTorch, и специализированных стеков обучения LLM (Megatron, NeMo, verl или аналогичных). - Сильное теоретическое и практическое понимание основ LLM: архитектуры, токенизация, пайплайны данных, батчинг, mixed precision, распределённое обучение и отладка нестабильных запусков. - Умение вести проекты от начала до конца: от постановки проблемы или продуктовой боли до дизайна, экспериментов, реализации и итераций. - Продуктовое мышление: понимание того, как разработчики реально используют агентов, и умение переводить продуктовые потребности и сбои в задачи моделирования и оценки. - Не менее 3 лет опыта работы с Python и написания чистого поддерживаемого кода в современных ML-кодовых базах. Будет плюсом - Опыт работы с ML-оркестраторами и инструментами рабочих процессов: Kubeflow, Dagster, Airflow, ZenML и/или планировщиками задач вроде Kubernetes или SLURM. - Опыт работы с крупномасштабными пайплайнами данных и обучения: кластеры в стиле MapReduce, многоузловое GPU-обучение или нагрузки порядка 1M+ CPU/GPU-часов. - Проектирование и поддержка пайплайнов оценки для LLM или агентов: метрики, дашборды, отслеживание экспериментов, автоматические регрессионные проверки. - Разработка ИИ-агентов: агенты с использованием инструментов, планировщики, многошаговые сценарии написания кода, знакомство с агентными фреймворками и паттернами. - Отслеживание экспериментов и наблюдаемость с помощью Weights & Biases, MLflow, Langfuse или аналогичных инструментов. - Оптимизация инференса и эксплуатация оптимизированных моделей в production.

Формат

Удалённо

Страна

Германия

Город

Берлин

Грейд

Senior

Команда ML Workflows Engineering занимается устранением инфраструктурных сложностей, оптимизацией операций машинного обучения (MLOps) и позволяет командам сосредоточиться на главном — создании значимых ML-моделей и интеллектуальных агентов. В составе команды вы будете играть ключевую роль в проектировании инструментов, автоматизации и пайплайнов, которые делают разработку машинного обучения простой и интуитивной. Интегрируя передовые практики MLOps и инженерное мастерство, мы стремимся максимизировать продуктивность и устранить сложность ML-инфраструктуры, чтобы наши команды могли расширять границы возможного в ИИ. Задачи - Создавать инструменты, автоматизацию и рабочие процессы для упрощения задач, связанных с инфраструктурой, позволяя ИИ-командам сосредоточиться на экспериментах и решении ключевых задач. - Разрабатывать надежные системы мониторинга, логирования и трассировки для обеспечения производительности и воспроизводимости ML-процессов в продакшене. - Проектировать, внедрять и поддерживать сквозные пайплайны машинного обучения для бесшовной разработки, обучения и развертывания ML-моделей и интеллектуальных агентов. - Работать с крупномасштабными распределенными системами, включая GPU-кластеры, для поддержки обучения, дообучения и оценки ML-моделей. - Взаимодействовать с продуктовыми и разработческими командами для превращения целей высокого уровня в конкретные, масштабируемые и поддерживаемые системы. - Оптимизировать рабочие процессы для воспроизводимости, масштабируемости и экономической эффективности, сохраняя продуктивность ML-команд и их фокус на инновациях. Требования - Практический опыт работы с современными MLOps-инструментами, включая Kubernetes, облачных провайдеров (GCP и AWS) и фреймворки оркестрации ML. - Глубокое понимание жизненного цикла ML от идеи до пользовательского приложения. - Способность вести проекты от начала до конца, начиная с проблемы высокого уровня или болевой точки продукта и контролируя этапы проектирования, экспериментов, внедрения и итераций. - Клиентоориентированное мышление — вам важно, как реально работают ML-инженеры, и вы можете превращать их потребности в практические, масштабируемые и поддерживаемые архитектурные решения. - Опыт работы с современными CI/CD-системами, такими как GitHub Actions или JetBrains TeamCity. - Не менее трех лет опыта написания чистого, поддерживаемого кода на Python в современных ML-кодовых базах. Желательно - Опыт работы с ML-оркестраторами и инструментами рабочих процессов, такими как ZenML, Dagster и Airflow. - Разработка инфраструктурных компонентов и сервисов с использованием кластерных решений, таких как Kubernetes. - Разработка бэкенд-сервисов на Python. - Создание и поддержка ML-пайплайнов, включая унаследованные. - Отслеживание экспериментов и наблюдаемость с помощью таких инструментов, как Weights & Biases, MLflow, Langfuse или аналогичных. Будет плюсом - Опыт работы с фреймворками инференса LLM, такими как vLLM, DeepSpeed и TensorRT. - Написание и поддержка Python-библиотек, используемых внутренними (или внешними) ML-инженерами. - Сильная теоретическая база в NLP и подходах на основе трансформеров. - Написание кода на Java и/или Kotlin. Условия - Гибридный формат работы.

Формат

Удалённо

Страна

Любая

Город

Не указан

Грейд

Senior

Компания FlexBoard помогает медицинским организациям создавать успешные команды клиницистов с помощью инновационных технологических продуктов. Вакансия предполагает удалённую работу для кандидатов из США. Обязанности - Проектировать, разрабатывать и внедрять ML-решения: от классических ML-приложений (классификация, кластеризация, рекомендации) до систем на основе LLM, включая парсинг документов, извлечение данных, RAG-пайплайны и LLM-агентов. - Писать чистый, поддерживаемый, production-код на Python, который интегрируется с существующей инженерной и деплой-инфраструктурой. - Работать с большими наборами данных: очистка, предобработка и анализ данных. - Реализовывать и оптимизировать алгоритмы, используя лучшие практики машинного обучения, глубокого обучения и статистического анализа. - Взаимодействовать с бизнес-заинтересованными сторонами для понимания требований и разработки решений на основе данных, которые дают практические инсайты. - Разрабатывать и поддерживать пайплайны и инфраструктуру для обработки данных и обучения моделей, версионирования, развертывания и мониторинга. - Оценивать производительность ML-моделей, включая специфические для LLM подходы к оценке, и настраивать модели для улучшения производительности. - Коммуницировать результаты, инсайты и производительность моделей как технической, так и нетехнической аудитории. - Постоянно следить за последними трендами, технологиями и лучшими практиками. Требования - Степень бакалавра или магистра в области компьютерных наук, науки о данных, статистики, математики или смежной области. - Бакалавр с 5+ годами релевантного опыта; магистр или выше с 3+ годами релевантного опыта. - Свободное владение Python (3+ года опыта программирования). - Сильные практики разработки ПО на Python, включая написание поддерживаемого, тестируемого, production-кода. - Глубокое понимание LLM-архитектур. - Практический опыт создания и оценки RAG-пайплайнов. - Опыт работы с фреймворками оркестрации LLM. - Владение библиотеками машинного обучения, такими как Scikit-learn и PyTorch; библиотеками для работы с данными, такими как NumPy и аналогичными. - Знакомство с облачными платформами (например, AWS, GCP, Azure) и инструментами контейнеризации. - Глубокое понимание метрик оценки моделей для традиционного ML (accuracy, precision, recall, F1) и LLM-систем (faithfulness, answer relevancy, hallucination detection), включая подходы к оценке недетерминированных выходов. - Опыт работы с инструментами управления моделями, такими как MLFlow, и жизненным циклом разработки моделей. - Опыт работы с системами контроля версий, такими как Git. - Владение практиками SDLC для разработки и тестирования. - Отличные навыки решения проблем, аналитическое мышление и способность работать в быстро меняющейся среде. - Сильные коммуникационные навыки и способность объяснять технические концепции нетехническим заинтересованным сторонам. - Умение эффективно работать в команде, включая экспертов в предметной области, инженеров и бизнес-заинтересованных лиц. - Пытливость: желание задавать вопросы и глубже понимать проблемы. - Инновационность: способность находить новые аналитические решения для любых проблем. - Уверенность: способность оспаривать предположения и предубеждения сотрудников на любом уровне организации. - Любознательность: быть в курсе новых и будущих технологий и инструментов. - Бизнес-ориентированность: понимание бизнес-требований и терминологии. - Знакомство с оптимизацией, развертыванием и масштабированием автоматизированных пайплайнов обучения трансформерных моделей. - Знакомство с техниками обучения и GPU-вычислениями. - Знакомство с классическими подходами NLP. - Опыт внедрения CI/CD пайплайнов для ML-моделей для автоматизации обучения, валидации, мониторинга и развертывания. - Опыт интеграции и развертывания AWS AI/ML сервисов. - Опыт работы с данными в сфере здравоохранения. Условия - Медицинская и стоматологическая страховка без дополнительной оплаты для сотрудников. - Пенсионный план 401(k) и планы с распределением прибыли. - Гибкие расходные счета. - Оплачиваемый отпуск. - Корпоративные праздники. - Гендерно-нейтральный отпуск по уходу за ребенком. - Отпуск по утрате близкого человека и отпуск для ухода за питомцем. - Спонсирование непрерывного образования и аккредитации. - Страхование жизни и от несчастных случаев (AD&D). - Краткосрочная и долгосрочная нетрудоспособность.

Формат

Удалённо

Страна

Любая

Город

Не указан

Грейд

Senior

Вакансия удаленная, открыта для кандидатов из США. Компания — глобальный лидер в области кибербезопасности, специализирующийся на предотвращении взломов с помощью продвинутых платформ на базе ИИ. Ищут Senior AI Infrastructure Engineer для проектирования, создания и масштабирования ИИ-инфраструктуры для продуктов, с фокусом на большие языковые модели (LLM) и ИИ-системы. Обязанности - Предоставление и настройка крупных GPU-кластеров и вычислительных ресурсов для задач обучения, дообучения и инференса LLM. - Оптимизация инфраструктуры обслуживания LLM-моделей, включая развертывание и оптимизацию различных фреймворков инференса. - Управление жизненным циклом моделей: версионирование, контрольные точки и воспроизводимость в процессах обучения и инференса. - Проектирование и внедрение надежных фреймворков оценки для проверки производительности, точности и надежности моделей, обеспечивая соответствие ИИ-систем производственным стандартам. - Выявление и устранение узких мест использования GPU и эффективности памяти GPU, применение таких техник, как квантование, пакетная обработка и кэширование. - Проектирование и поддержка платформ и пайплайнов данных, специально предназначенных для поддержки LLM, RAG (Retrieval-Augmented Generation) и ИИ-систем в производственной среде, с акцентом на производительность, сопровождаемость и строгость тестирования, обеспечивая быструю поставку без ущерба качеству. - Применение экспертизы в моделировании данных, нормализации и семантическом каталогизировании для AI/ML-нагрузок. - Определение и внедрение лучших практик MLOps/DataOps для LLM, включая мониторинг, наблюдаемость и механизмы восстановления для ИИ-сервисов. - Тщательное документирование архитектурных решений и донесение технических деталей до заинтересованных сторон. - Взаимодействие с Data Scientists, Product Managers и другими инженерными командами для превращения исследовательских прототипов в надежные сервисы производственного уровня. Требования - Степень бакалавра в области компьютерных наук, инженерии данных или STEM; магистерская степень приветствуется. - 6+ лет опыта в инфраструктурной/дата-инженерии, как минимум 2 года в создании и поддержке платформ/пайплайнов, поддерживающих LLM-системы и приложения. - Подтвержденный практический опыт в LLM-инфраструктуре: предоставление кластеров, оптимизация обучающих нагрузок и поддержка инференс-пайплайнов. - Исключительная способность писать чистый, элегантный, поддерживаемый и хорошо протестированный код, а также сильный фокус на быстрой поставке результатов. - Глубокое понимание инженерных практик, включая эффективные ревью кода и отказоустойчивую архитектуру. - Проявление технического лидерства и наставнических качеств. - Подтвержденный опыт использования ИИ-технологий для улучшения принятия решений, оптимизации рабочих процессов и процессов, повышения эффективности и бизнес-результатов. - Практический опыт с MLOps-инструментами (MLflow, SageMaker, AI). - Сильное понимание основ CUDA, драйверов, GPU и TPU. - Опыт работы с фреймворками инференса, такими как vLLM и Triton Inference Server. - Владение фреймворками обучения: PyTorch, Ray, Megatron, JAX. - Экспертный уровень владения высокоуровневым языком программирования (Python). - Глубокие знания контейнеризации и оркестрации (Slurm, Airflow). - Владение инструментами Infrastructure as Code, такими как Terraform и Ansible. - Опыт работы с облачными платформами (AWS, GCP или OCI) и сервисами данных. - Опыт работы в сфере кибербезопасности, разведки или отраслях с высокими требованиями к соответствию. - Опыт создания, развертывания и управления LLM в производственной среде. - Опыт работы с распространенными фреймворками рабочих процессов. - Опыт работы с фреймворками обработки данных (например, Dask, Flink). Условия - Право на бонусы. - Гранты на акции. - Комплексный пакет льгот: медицинская страховка, 401k, оплачиваемый отпуск, конкурентоспособная компенсация и акции. - Комплексные программы физического и психического здоровья. - Конкурентоспособный отпуск и праздники, отпуск по уходу за ребенком и усыновлению. - Возможности для развития для всех сотрудников независимо от уровня или роли. - Сети сотрудников, географические сообщества и волонтерские возможности для установления связей. - Офисная культура с удобствами мирового класса. - Сертификация Great to Work Certified™ по всему миру.

Формат

Удалённо

Страна

Любая

Город

Не указан

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.

Формат

Офис

Страна

Не указана

Город

Не указан

Грейд

Senior

Компания Proxify ищет Senior Data Scientist (Python) для одной из быстрорастущих клиентских команд в роли технического лидера по инновациям в данных. Задача — превращать сложные высокоскоростные наборы данных в прогнозные модели и практические системы, которые напрямую влияют на продуктовую стратегию и бизнес-операции. Специалист будет соединять чистые исследования и продакшн-разработку: не только строить прототипы в ноутбуках, но и проектировать, обучать, оценивать и разворачивать надежные модели машинного обучения в облачных средах. Роль подходит дата-сайентисту с системным мышлением, ценящему чистую модульную Python-архитектуру, статистическую строгость и масштабируемые пайплайны данных. Задачи - Проектировать, создавать и оптимизировать масштабируемые прогнозные модели и алгоритмы машинного обучения для решения сложных бизнес-задач. - Архитектурно выстраивать и поддерживать надежные пайплайны данных и наборы признаков, обеспечивая качество, согласованность и целостность данных на этапах обучения и инференса. - Взаимодействовать с дата-инженерами, продакт-менеджерами и бэкенд-командами для бесшовной интеграции моделей в основные API приложений. - Проводить тщательные код-ревью рабочих процессов data science, продвигая продакшн-стандарты Python и линтинг. - Переводить технические метрики (Precision, Recall, ROC-AUC, RMSE) в понятные бизнес-результаты и рекомендации для руководства. Требования - 5+ лет профессионального опыта в роли Data Scientist, экспертное владение экосистемой Python для данных (Pandas, NumPy, SciPy, Scikit-Learn). - Глубокие теоретические и практические знания supervised и unsupervised обучения, регрессии, классификации, кластеризации и прогнозирования временных рядов. - Подтвержденный опыт вывода моделей из Jupyter Notebook в продакшн с использованием контейнеризации (Docker) и микросервисной архитектуры. - Уверенное написание сложных оптимизированных SQL-запросов, опыт работы с большими данными с использованием распределенных вычислений (PySpark или Ray). - Опыт работы с инструментами жизненного цикла ML (MLflow, DVC или Weights & Biases) для отслеживания моделей, версионирования и управления feature store. - Практический опыт работы с облачной инфраструктурой (AWS, GCP или Azure) и управляемыми ML-сервисами (например, SageMaker или Vertex AI). - Часовой пояс: CET (±3 часа). Кандидаты из других часовых поясов не рассматриваются. Желательно: - Опыт глубокого обучения с использованием PyTorch или TensorFlow/Keras. - Опыт работы с NLP-фреймворками (Hugging Face, spaCy) или развертывание пайплайнов на основе LLM (LangChain, векторные базы данных). - Знакомство с инструментами оркестрации, такими как Apache Airflow или Prefect. - Сильный бэкграунд в дизайне экспериментов, методологии A/B-тестирования и проверке статистической значимости. Условия - Своевременные ежемесячные выплаты с гибкими вариантами вывода средств. - Предсказуемые часы проекта: стабильные 8-часовые рабочие дни с клиентами. - До 24 гибких выходных дней в год без потери оплаты для полной занятости на позициях, найденных через Proxify. - Долгосрочные удаленные позиции в технологических компаниях. - Персональный подбор проектов без типичных барьеров и предвзятости в рекрутинге. - Единый процесс найма для множества возможностей без дополнительных оценок. - Одинаковая ежемесячная оплата на позициях, найденных через Proxify.