ML-разработчик / Machine Learning Engineer

Ищем ML-разработчика, способного самостоятельно пройти полный цикл создания прикладного ML-продукта: от анализа исходных данных и выбора подхода до разработки модели, API и запуска рабочего решения. Нам нужен не специалист исключительно по обучению моделей, а человек, который способен разобраться в предметной области, исследовать имеющиеся данные, предложить архитектуру решения, реализовать прототип и довести его до промышленного использования. Чем предстоит заниматься - Анализировать большие массивы исторических данных, преимущественно представленных в Excel, CSV и корпоративных информационных системах. - Исследовать структуру данных, выявлять зависимости, закономерности и факторы, влияющие на целевой показатель. - Разрабатывать модели для оценки и прогнозирования количественных показателей на основании текстового описания работ, их характеристик и исторических данных. - Решать задачи регрессии, поиска похожих объектов, ранжирования и сопоставления записей. - Работать с неструктурированными и слабоструктурированными текстовыми данными. - Разрабатывать механизмы нормализации и классификации текстовых описаний, определения смысловой близости и извлечения значимых параметров из текста. - Исследовать и сравнивать различные подходы: классический ML, градиентный бустинг, embeddings, NLP-модели, LLM/RAG и гибридные решения. - Определять, где достаточно поиска по историческим данным, где необходима ML-модель, а где целесообразно использование LLM. - Выполнять feature engineering и подготовку обучающих выборок. - Разрабатывать алгоритмы обработки ситуаций, когда точного аналога объекта в исторических данных нет. - Реализовывать расчет с учетом нескольких параметров и корректирующих коэффициентов. - Оценивать точность модели, определять подходящие метрики и проводить валидацию результатов. - Реализовывать оценку уверенности модели в полученном результате и обработку случаев, когда данных недостаточно для достоверного прогноза. - Обеспечивать объяснимость результата: система должна уметь показывать, на основании каких данных, аналогов или факторов был сформирован прогноз. - Разрабатывать backend-сервис для взаимодействия с моделями и другими корпоративными системами. - Организовать хранение обучающих данных, моделей и результатов расчетов. - Контейнеризировать решение и подготовить его к развертыванию на серверной инфраструктуре. - Документировать архитектуру, алгоритмы, процесс обучения и правила обновления модели. Что мы ожидаем от кандидата Обязательно Python Уверенное владение Python и основными библиотеками анализа данных и машинного обучения: - pandas; - NumPy; - scikit-learn; - CatBoost / LightGBM / XGBoost или аналогичные библиотеки. Классическое машинное обучение Практический опыт решения задач: - регрессии; - классификации; - ранжирования; - поиска похожих объектов; - оценки качества и валидации моделей; - feature engineering; - работы с небольшими и средними табличными датасетами. Понимание того, когда применение сложной нейронной сети оправдано, а когда задачу эффективнее решить классическими ML-методами. Работа с текстовыми данными / NLP Опыт: - очистки и нормализации текстовых данных; - извлечения признаков из текста; - работы с embeddings; - semantic search; - определения смысловой близости текстов; - объединения текстовых и числовых признаков в одной модели. LLM Понимание современных подходов к использованию больших языковых моделей: - LLM; - embeddings; - RAG; - vector search; - structured output; - prompt engineering. Важно понимать ограничения LLM и уметь строить архитектуру, в которой языковая модель не является единственным источником числового результата. Работа с данными Уверенная работа с: - Excel; - CSV; - SQL; - PostgreSQL. Опыт подготовки сырых корпоративных данных для машинного обучения: очистка, поиск выбросов, дубликатов, пропусков, нормализация справочников и формирование обучающей выборки. Backend Опыт разработки сервисов на: - FastAPI; - REST API; - Pydantic; - SQLAlchemy. Понимание принципов интеграции ML-модели с внешними информационными системами. Docker и Linux Практический опыт: - Docker; - Docker Compose; - Linux; - Git. Будет преимуществом - Опыт работы с Qdrant, pgvector, FAISS или другими векторными хранилищами. - Опыт использования Hugging Face Transformers / Sentence Transformers. - Опыт работы с локальными LLM. - Опыт запуска моделей через vLLM, llama.cpp или аналогичные решения. - Опыт работы с GPU NVIDIA. - Опыт разработки RAG-систем. - Опыт использования LangChain / LangGraph или аналогичных инструментов. - Опыт использования MLflow, DVC, MinIO, Langfuse и других инструментов MLOps. - Опыт создания небольших интерфейсов на Streamlit или аналогичных технологиях. - Опыт интеграции ML-сервисов с 1С, Bitrix или другими корпоративными информационными системами. для нас особенно важно Ищем специалиста, который способен самостоятельно проектировать решение, а не только реализовывать заранее подготовленное техническое задание. От кандидата ожидается способность: - разобраться в новой предметной области; - изучить исходные данные и определить их пригодность для ML; - сформулировать ML-задачу; - предложить несколько вариантов решения; - аргументированно выбрать подход; - разработать MVP; - проверить его на реальных данных; - определить ограничения и потенциальные ошибки; - довести прототип до работающего сервиса. Мы не требуем использования конкретной технологии или обязательно нейронной сети. Для нас важен корректный результат и обоснованный выбор архитектуры. Условия: - оформление по ТК - ДМС, после прохождения испытательного срока - пятидневная рабочая неделя пн-чет. с 07.48 до 17.00, пят. с 07.48 до 16.12, обед с 12-13 - оплата проезда к месту отдыха и обратно, раз в два года