ML-разработчик / Machine Learning Engineer

Ищем ML-разработчика, способного самостоятельно пройти полный цикл создания прикладного ML-продукта: от анализа исходных данных и выбора подхода до разработки модели, API и запуска рабочего решения.

Нам нужен не специалист исключительно по обучению моделей, а человек, который способен разобраться в предметной области, исследовать имеющиеся данные, предложить архитектуру решения, реализовать прототип и довести его до промышленного использования.

Чем предстоит заниматься

• Анализировать большие массивы исторических данных, преимущественно представленных в Excel, CSV и корпоративных информационных системах.

• Исследовать структуру данных, выявлять зависимости, закономерности и факторы, влияющие на целевой показатель.

• Разрабатывать модели для оценки и прогнозирования количественных показателей на основании текстового описания работ, их характеристик и исторических данных.

• Решать задачи регрессии, поиска похожих объектов, ранжирования и сопоставления записей.

• Работать с неструктурированными и слабоструктурированными текстовыми данными.

• Разрабатывать механизмы нормализации и классификации текстовых описаний, определения смысловой близости и извлечения значимых параметров из текста.

• Исследовать и сравнивать различные подходы: классический ML, градиентный бустинг, embeddings, NLP-модели, LLM/RAG и гибридные решения.

• Определять, где достаточно поиска по историческим данным, где необходима ML-модель, а где целесообразно использование LLM.

• Выполнять feature engineering и подготовку обучающих выборок.

• Разрабатывать алгоритмы обработки ситуаций, когда точного аналога объекта в исторических данных нет.

• Реализовывать расчет с учетом нескольких параметров и корректирующих коэффициентов.

• Оценивать точность модели, определять подходящие метрики и проводить валидацию результатов.

• Реализовывать оценку уверенности модели в полученном результате и обработку случаев, когда данных недостаточно для достоверного прогноза.

• Обеспечивать объяснимость результата: система должна уметь показывать, на основании каких данных, аналогов или факторов был сформирован прогноз.

• Разрабатывать backend-сервис для взаимодействия с моделями и другими корпоративными системами.

• Организовать хранение обучающих данных, моделей и результатов расчетов.

• Контейнеризировать решение и подготовить его к развертыванию на серверной инфраструктуре.

• Документировать архитектуру, алгоритмы, процесс обучения и правила обновления модели.

Что мы ожидаем от кандидата

Обязательно

Python

Уверенное владение Python и основными библиотеками анализа данных и машинного обучения:

• pandas;

• NumPy;

• scikit-learn;

• CatBoost / LightGBM / XGBoost или аналогичные библиотеки.

Классическое машинное обучение

Практический опыт решения задач:

• регрессии;

• классификации;

• ранжирования;

• поиска похожих объектов;

• оценки качества и валидации моделей;

• feature engineering;

• работы с небольшими и средними табличными датасетами.

Понимание того, когда применение сложной нейронной сети оправдано, а когда задачу эффективнее решить классическими ML-методами.

Работа с текстовыми данными / NLP

Опыт:

• очистки и нормализации текстовых данных;

• извлечения признаков из текста;

• работы с embeddings;

• semantic search;

• определения смысловой близости текстов;

• объединения текстовых и числовых признаков в одной модели.

LLM

Понимание современных подходов к использованию больших языковых моделей:

• LLM;

• embeddings;

• RAG;

• vector search;

• structured output;

• prompt engineering.

Важно понимать ограничения LLM и уметь строить архитектуру, в которой языковая модель не является единственным источником числового результата.

Работа с данными

Уверенная работа с:

• Excel;

• CSV;

• SQL;

• PostgreSQL.

Опыт подготовки сырых корпоративных данных для машинного обучения: очистка, поиск выбросов, дубликатов, пропусков, нормализация справочников и формирование обучающей выборки.

Backend

Опыт разработки сервисов на:

• FastAPI;

• REST API;

• Pydantic;

• SQLAlchemy.

Понимание принципов интеграции ML-модели с внешними информационными системами.

Docker и Linux

Практический опыт:

• Docker;

• Docker Compose;

• Linux;

• Git.

Будет преимуществом

• Опыт работы с Qdrant, pgvector, FAISS или другими векторными хранилищами.

• Опыт использования Hugging Face Transformers / Sentence Transformers.

• Опыт работы с локальными LLM.

• Опыт запуска моделей через vLLM, llama.cpp или аналогичные решения.

• Опыт работы с GPU NVIDIA.

• Опыт разработки RAG-систем.

• Опыт использования LangChain / LangGraph или аналогичных инструментов.

• Опыт использования MLflow, DVC, MinIO, Langfuse и других инструментов MLOps.

• Опыт создания небольших интерфейсов на Streamlit или аналогичных технологиях.

• Опыт интеграции ML-сервисов с 1С, Bitrix или другими корпоративными информационными системами.

для нас особенно важно

Ищем специалиста, который способен самостоятельно проектировать решение, а не только реализовывать заранее подготовленное техническое задание.

От кандидата ожидается способность:

• разобраться в новой предметной области;

• изучить исходные данные и определить их пригодность для ML;

• сформулировать ML-задачу;

• предложить несколько вариантов решения;

• аргументированно выбрать подход;

• разработать MVP;

• проверить его на реальных данных;

• определить ограничения и потенциальные ошибки;

• довести прототип до работающего сервиса.

Мы не требуем использования конкретной технологии или обязательно нейронной сети. Для нас важен корректный результат и обоснованный выбор архитектуры.

Условия:

- оформление по ТК

- ДМС, после прохождения испытательного срока

- пятидневная рабочая неделя пн-чет. с 07.48 до 17.00, пят. с 07.48 до 16.12, обед с 12-13

- оплата проезда к месту отдыха и обратно, раз в два года