Компания "Урал Логистика" - надежный партнер в области транспортно-экспедиционных услуг перевозки грузов железнодорожным транспортом. Приглашаем в нашу команду
ML-инженера, для участия в создании собственной системы обработки документов и данных для грузовых железнодорожных перевозок и связанных услуг.
Чем предстоит заниматься: — Проектировать и разрабатывать конвейер обработки документов: загрузку, нормализацию, сегментацию, определение структуры и подготовку контекста
— Извлекать структурированные данные из договоров, приложений, дополнительных соглашений, актов и других связанных документов
— Работать с длинным контекстом, таблицами, пересекающимися формулировками и изменениями условий во времени
— Обеспечивать атрибуцию результата к документу, странице и исходному фрагменту
— Строить гибридный поиск: полнотекстовый и векторный retrieval, фильтрацию, реранкинг и сбор контекста
— Развивать графовое представление документов, сущностей и связей для поисковых и аналитических сценариев
— Проектировать агентные и workflow-сценарии: управление состоянием, инструментальные вызовы, повторы, fallback-механизмы и обработку отказов
— Создавать эталонные наборы, метрики по полям и регрессионные тесты для оценки извлечения, поиска и генерации — чтобы при смене модели, промпта или retrieval- стратегии было видно, что улучшилось, а что деградировало
— Разрабатывать Python-сервисы, API, фоновые задачи и интеграции с внутренними источниками
— Участвовать в выборе моделей, постановке экспериментов, fine-tuning и оптимизации локального inference
Что для нас важно:— Уверенная промышленная разработка на Python
— Опыт с FastAPI или аналогичным фреймворком, асинхронным исполнением, очередями и фоновой обработкой
— PostgreSQL и SQL на рабочем уровне
— Практический опыт вывода LLM-решений в production
— Понимание RAG, structured output, tool calling и многошаговых модельных сценариев
— AI-система для железнодорожной логистики AI · ML · Full-stack
— Умение измерять качество: строить эталонные наборы, выбирать метрики, классифицировать ошибки и проводить регрессионное тестирование
— Опыт с Docker, Kubernetes и CI/CD
— Готовность доводить вертикальную задачу от спецификации и эксперимента до эксплуатации
Стек: — Python, FastAPI, Pydantic, PostgreSQL, Redis, Celery или аналог, LangChain, LangGraph, MCP, RAG, GraphRAG, Qdrant, pgvector, OpenAI-совместимый API, vLLM, Docker, Kubernetes
Формат сотрудничества:
- Полная занятость и возможность трудоустройства через российское юридическое лицо в штат или через согласованную аутстафф-модель
- Основной формат — офис или гибрид. Для самостоятельных специалистов возможна распределённая работа из России
- Итоговый грейд и масштаб ответственности определяются по результатам собеседования.
