ML Developer / Machine Learning Engineer
Описание
CURE AI развивает интеллектуальную платформу для управления сложными инфраструктурными системами: зданиями, городскими сервисами, оборудованием и подключёнными внешними контурами. Мы создаём когнитивный runtime, который объединяет данные, модели, reasoning, прогнозирование, симуляцию и безопасное исполнение решений. Ищем ML-разработчика, который будет работать в команде над отдельными субмодулями большой AI-системы: от retrieval и embedding-пайплайнов до моделей наблюдений, прогнозирования, World Model и механизмов outcome learning. На интервью подробно расскажем об архитектуре, конкретном направлении и зоне ответственности. Задачи - Разрабатывать и развивать ML-компоненты когнитивного runtime. - Работать над одним или несколькими направлениями: embeddings и retrieval, нейронные модели наблюдений, временные ряды, anomaly detection, predictive/world-model слои, causal observations и outcome learning. - Создавать и поддерживать пайплайны подготовки, валидации и хранения датасетов. - Разрабатывать embedding/retrieval-пайплайны для памяти системы, знаний, похожих событий и tenant-specific context. - Интегрировать ML-компоненты с backend-сервисами через FastAPI и API-контракты. - Оптимизировать инференс и runtime-поведение моделей: GPU/CPU execution, ONNX Runtime, fallback-стратегии при недоступности CUDA или локальной модели. - Работать с внешними LLM API и внутренней модельной инфраструктурой, включая MoE-архитектуры и будущие LoRA-адаптеры. - Участвовать в разработке нейросимвольных модулей reasoning-слоя совместно с backend- и research-командами. - Формировать воспроизводимые ML-эксперименты, метрики качества, KPI evidence и обучающие traces. - Участвовать в проектировании safe fallback-паттернов, tenant-safe personalization и privacy-aware работы с данными. Технологический стек Основной стек: Python 3.11/3.12; PyTorch, NumPy; Hugging Face Transformers; Sentence Transformers; ONNX Runtime; Qdrant; PostgreSQL; Redis; FastAPI для интеграции ML-компонентов с backend; Docker, Docker Compose; Git. Модельная инфраструктура: • Внешние LLM API как текущий inference/provider layer; • MoE-компоненты и маршрутизация экспертов; • CUDA-aware execution, GPU-проверки и fallback на API или CPU-режим; • LoRA-адаптеры для будущей специализации и персонализации; • Torch-based runtime для небольших внутренних моделей; • Embeddings, vector search, retrieval и memory pipelines. Данные и обучение: Временные ряды телеметрии; Event ledger и causal observations; Synthetic data generation; Базовые модели по часам, дням и типам событий; Outcome learning и pending learning tasks; KPI evidence и оценка результатов решений; Контекстная и tenant-safe персонализация. Обязательные требования: Уверенное владение Python и PyTorch. Практический опыт разработки, обучения или интеграции ML-моделей в production-окружение. Опыт работы с embeddings, semantic search, vector databases или RAG/retrieval-пайплайнами. Понимание жизненного цикла ML-компонента: данные, подготовка, inference, метрики, мониторинг, деградация модели. Опыт работы с Docker и Git. Понимание REST API и принципов интеграции ML-сервисов с backend. Умение писать поддерживаемый, тестируемый и воспроизводимый код. Английский, достаточный для чтения технической документации и работы с ML-инструментами. Будет преимуществом: Практическое понимание model-based learning и world models. Опыт с временными рядами, прогнозированием или детекцией аномалий. Знание causal inference на прикладном уровне. Опыт оптимизации inference через ONNX Runtime, CUDA, batching, quantization или GPU-aware deployment. Опыт с LoRA, fine-tuning, MoE или LLM routing. Понимание нейросимвольных систем, rule engines либо связки ML и формального reasoning. Опыт работы с приватными, чувствительными или мультиарендными данными. Понимание подходов safe ML: confidence thresholds, human/system fallback, fail-safe execution. Испытательный срок 4 месяца, далее при выполнении всех требований повышение до 7000$