О компании
Полигонатор — быстрорастущая компания, специализирующаяся на создании инновационных тренажёров для различных предприятий. Наши решения охватывают широкий спектр: классические обучающие комплексы, интерактивные среды для отработки управления техникой в симуляциях с реалистичной физикой и иммерсивные VR-тренажёры.
Мы создаём полноценное ПО (от проектирования до внедрения) и строим продукты с внедрением ИИ — от аналитики и прогнозных моделей до LLM-приложений и исследовательских прототипов. С 2016 года реализовали более 40 проектов. В работе используем Unreal Engine 5 для создания детализированных и реалистичных виртуальных сред.
О роли
Мы ищем AI R&D / ML Engineer, который понимает принципы работы современных технологий ИИ и способен не только использовать готовые решения, но и проектировать, разрабатывать и совершенствовать собственные AI-системы. Вы будете работать на стыке исследований и продакшена: воспроизводить статьи, ставить контролируемые эксперименты, строить пайплайны обучения и деплоить модели в реальные продукты (включая RL-сценарии в симуляциях).
Уровень: Middle / Middle+
Опыт: 1–3 года коммерческой разработки в ML/AI
Что вы будете делать
- Проектировать и реализовывать ML-пайплайны: от подготовки данных до обучения, валидации и деплоя моделей.
- Проводить контролируемые эксперименты: ablation study, контрольные группы, оценка статистической значимости результатов.
- Воспроизводить научные статьи и адаптировать методы под задачи бизнеса (симуляции, тренажёры, физика).
- Разрабатывать и обучать RL-агентов в симуляциях, настраивать векторизованные среды и параллельный сбор опыта.
- Оптимизировать инференс: батчинг, квантизация, ONNX / vLLM / TGI / llama-cpp.
- Строить мониторинг моделей: дрейф данных, деградация качества, алертинг.
- Упаковывать результаты исследований в прототипы и API для передачи в прод.
- Участвовать в планировании задач и архитектуры проектов, предлагать технические решения.
- Работать в команде: ветки, код-ревью, CI/CD.
Требования
Инженерная база
- Уверенный Python: чистый, тестируемый, воспроизводимый код (type hints, модули, venv).
- Git и культура работы с ветками/ревью; понимание CI-процессов на базовом уровне.
- PyTest — написание юнит-тестов для моделей и пайплайнов.
- SQL — уверенные запросы, JOIN, агрегации, оконные функции (базово).
- Английский — чтение документации и научных статей.
Математическая база
- Линейная алгебра, теория вероятностей, математическая статистика.
- Понимание метрик качества и принципов валидации моделей (train/val/test, кросс-валидация, стратификация).
- Понимание переобучения, утечки данных (data leakage) и методов борьбы с ними.
- Статистический вывод: проверка гипотез, p-value, доверительные интервалы — применительно к оценке экспериментов.
ML-инженерия
- PyTorch (основной) — уверенное владение: кастомные Dataset/DataLoader, обучение, валидация, сохранение/загрузка чекпоинтов.
- Построение пайплайнов подготовки данных и обучения: воспроизводимость (seed, версионирование данных), конфигурирование экспериментов.
- Деплой моделей: упаковка в сервис (FastAPI), версионирование, канареечные релизы (базово).
- Мониторинг: дрейф данных (data drift), деградация качества, алертинг.
- Оптимизация инференса: батчинг, квантизация, ONNX / vLLM / TGI / llama-cpp.
- Основы облачной инфраструктуры.
RL-инфраструктура
- Понимание постановки MDP (состояния, действия, награды, политика, ценность).
- Experience replay, policy gradient vs value-based методы (базовое понимание).
- Опыт обучения агентов в симуляции: Isaac Lab / Gymnasium / PettingZoo / другие.
- Векторизованные среды, параллельный сбор опыта.
- Понимание sim-to-real transfer.
Продуктовое мышление
- Умение переводить бизнес-задачу в техническую постановку.
- Способность объяснить результат нетехническим стейкхолдерам.
- Самостоятельность: доведение задачи от постановки до результата без пошагового руководства.
- Участие в планировании задач и архитектуры проектов: умение предложить структуру пайплайна, выбрать инструменты и обосновать выбор.
Инструменты
- Python-экосистема для данных: pandas, NumPy.
- PyTorch — основной фреймворк; TensorFlow — как альтернатива (плюс).
- Hugging Face — работа с предобученными моделями и токенизаторами.
- W&B / MLflow — трекинг экспериментов.
- Docker (базово), CI/CD (GitHub Actions / GitLab CI).
- FastAPI / Pydantic — обёртка модели в API.
- Prometheus / Grafana — мониторинг; очереди (Celery / RQ), Redis, Postgres — базовая работа.
- GitLab — основная платформа.
Будет плюсом
- C/C++, Rust, Go — для инфраструктурных задач и оптимизации.
- CUDA — написание кастомных ядер, профилирование.
- DeepSpeed, Flash Attention — оптимизация обучения больших моделей.
- vLLM — продакшен-инференс LLM.
- Unreal Engine 5 — понимание среды, в которой работают наши симуляции.
- JAX — альтернативный фреймворк.
- Доменная специализация: NLP / CV / графы / временные ряды.
Условия
- ИТ-аккредитация компании.
- Официальное трудоустройство, полностью «белая» заработная плата.
- Социальный пакет по ТК РФ.
- Заработная плата обсуждается индивидуально по итогам собеседования.
- Адрес: г. Таганрог, ул. Котлостроительная, 2-6.
- График: 5/2, с 10:00 до 18:00, офисная занятость.
- Современный технически оснащённый офис.
- Возможность участвовать в разработке перспективных AI-продуктов, предлагать и реализовывать собственные технические решения.
- Дружная команда и комфортная рабочая атмосфера.
