ML-инженер (Middle, ML + LLM)
Описание
Мы разрабатываем ML- и LLM-решения, которые напрямую влияют на бизнес-результаты. Работаем как с классическим машинным обучением на табличных и операционных данных, так и с LLM-пайплайнами, RAG и мультиагентными системами, использующими корпоративные данные. Ищем специалиста, которому комфортно и обучать бустинг, и проектировать LLM-пайплайны, оценивать их качество и доводить решения до промышленного использования. Чем предстоит заниматься Классический ML и прогнозирование. Разрабатывать и валидировать модели на табличных и операционных данных, анализировать факторы, прогнозировать отток и находить точки роста бизнес-метрик. Персонализация. Разрабатывать модели для персонализированных предложений и акций, оценивать эффект решений с помощью A/B-тестов. LLM и автоматизация. Разрабатывать решения для обработки обращений контакт-центра, в том числе с использованием расширенного контекста и корпоративных данных. RAG и LLM-агенты. Участвовать в создании RAG-пайплайнов: чанкинг, эмбеддинги, ретриверы, реранкеры. Разрабатывать агентов с function calling и интеграциями с внутренними системами. Оценка качества. Формировать датасеты для оценки, выбирать метрики для классических моделей и генеративных решений, использовать подходы вроде Hit Rate, MRR, Faithfulness и LLM-as-a-Judge. Вывод в продакшн. Упаковывать модели в сервисы, интегрировать их с внутренними системами, работать с API, логированием и мониторингом совместно с командой. R&D и прототипирование. Быстро проверять гипотезы, создавать MVP и оценивать их практическую ценность для бизнеса. Что для нас важно Опыт работы в Data Science / Machine Learning от 2 лет. Опыт хотя бы одного реального проекта с LLM: RAG, агенты, классификация или извлечение информации. Важно, чтобы решение вышло 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, умение писать чистый и поддерживаемый код, знание SQL. Практический опыт работы 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 решения 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.