ML-инженер

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 Наши 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