Data Scientist / ML Engineer
Описание
Data Scientist / ML Engineer (широкий профиль) Мы ищем увлеченного данными инженера широкого профиля, интересы которого распространяются от источников данных, их статистической обработки и построения AI/ML-инфраструктуры до участия в проектах класса GenAI. Мы начинаем развивать проекты ИИ, у нас разнообразные задачи – от классического ML до LLM, RAG и MLOps. На данной позиции хотим видеть человека способного быстро разбираться в задачах, создавать MVP, экспериментировать и доводить решения до продакшена. Что предстоит делать: Развивать проекты компьютерного зрения (CV – Computer Vision) в частности FVC – Food Visual Computing Разрабатывать и внедрять ML – модели Строить и оптимизировать RAG-архитектуру: чанкеры, векторизация, retrieval, маршрутизация запросов. Проведение исследований данных: feature engineering, эксперименты Подготовка данных и участие в построении ETL/ELT-пайплайнов совместно с Data Engineering-командой MLOps цикл: контейнеризация, мониторинг, управление экспериментами, вывод моделей в продакшн Развивать AI-инфраструктуры: автоматизация экспериментов, воспроизводимость окружений, MLflow, DVC. Построение ASR-пайплайнов (Whisper, диаризация, адаптация под доменную лексику). Мы ожидаем кандидатов: Технический бэкграунд Понимание архитектуры аналитических платформ Уверенный Python и DS-стек: Pandas, NumPy, Scikit-learn, PyTorch/TensorFlow Опыт решения задач ML: классификация, регрессия, NLP или CV Понимание полного жизненного цикла ML-проекта: от данных до продакшена Хорошие знания SQL, работа с реляционными и NoSQL хранилищами. Базовые навыки MLOps: Docker, MLflow/Weights&Biases, Airflow (или аналоги) Опыт GenAI / LLM Настройка LLM (OpenAI API, HF-сервера, локальные модели) Создание промптов, chains, системной логики RAG-концепции: embedding, векторные БД, retrieval стратегии Опыт в CV: классификация, детекция, сегментация MLOps & Infrastructure: Kubernetes, KServe, BentoML. CI/CD: GitLab CI, GitHub Actions. Monitoring: Prometheus, Grafana. DVC или аналоги для управления экспериментами. Cloud: Yandex Cloud, SberCloud, VK Cloud, AWS, GCP или Azure. Что мы ценим: Умение работать как исследователь и как инженер. Способность переводить бизнес-задачу в архитектуру решения. Проактивность и аккуратность в работе с данными и продакшн-моделями. Желание развиваться в GenAI и широком ML-стеке.