AI Engineer (On-Premise LLM)

О продукте:
Business Studio — лидер рынка систем бизнес-моделирования с 20-летней историей. Нашими клиентами являются более, чем 3000 компаний из 10 стран, а партнерская сеть по продвижению и сопровождению системы насчитывает более 60 ведущих консалтинговых и ИТ-компаний.

Более 180 вузов и бизнес-школ используют Business Studio в рамках программ подготовки и повышения квалификации управленческих кадров (магистратура, MBA, EMBA).

О проекте и роли:

Мы разрабатываем крупное тиражируемое коробочное решение для enterprise-клиентов и внедряем в ядро продукта генеративный AI.

Архитектура гибридная:

Базовый режим: Автономный On-Premise запуск открытых моделей строго внутри изолированного периметра клиента (air-gapped контуры, без доступа в интернет).

Опциональный режим: Подключение через API российских облачных провайдеров (GigaChat, YandexGPT) для клиентов без собственных вычислительных мощностей.

Важный контекст:

Тема локального поднятия открытых LLM молодая, поэтому мы не ждем десятилетнего коммерческого опыта. Однако менторов и готовой ML-команды для обучения у нас нет. С нашей стороны — четкие ТЗ от системных архитекторов коробки, инфраструктура и железо. С вашей стороны — фундаментальная база, умение читать исходники, разбираться в статьях с arXiv, быстро тестировать гипотезы и доводить решение до стабильного продакшена своими руками.

Обязательные требования:

• Профильное образование: Оконченное высшее техническое образование (приветствуются ВШЭ, МФТИ, МГУ, МГТУ им. Баумана, СПбГУ, ИТМО или сильные региональные физмат-школы). Направления: Прикладная математика, Информатика, Программная инженерия, Computer Science.

• Красный диплом (диплом с отличием) или подтвержденный средний балл (GPA) от 4.8. Нам критически важны дисциплина мышления, математическая база и навык самостоятельно докапываться до сути сложных задач.

• Уверенный Python: структуры данных, алгоритмическая сложность (Big O), чистота кода, асинхронность (AsyncIO).

• Понимание фундамента Deep Learning: математика за трансформерами (self-attention, токенизация, расчет контекстного окна, квантование, функции потерь).

• Системная грамотность: уверенная работа в командной строке Linux, Docker, базовое понимание архитектуры железа (RAM, VRAM, пропускная способность шины PCIe).

• Автономность: способность по техническому заданию взять открытый фреймворк или статью, развернуть, замерить метрики и встроить в систему без нянек.

Желательные требования:

• Наличие работающих pet-проектов на GitHub (любые самостоятельные эксперименты с RAG, парсерами, ботами или инференсом моделей).

• Базовое понимание C/C++ (пригодится для отладки низкоуровневых вещей вроде llama.cpp).

• Опыт участия в олимпиадах по программированию, хакатонах или Kaggle.

Обязанности:

• On-Premise инференс: Самостоятельный подъем и оптимизация открытых моделей (Qwen, DeepSeek, Llama и др.) через современные движки: vLLM, llama.cpp, Ollama, TensorRT-LLM.

• Квантование и оптимизация: Сжатие весов (GGUF, AWQ, GPTQ), бенчмаркинг скорости генерации токенов и замеры деградации качества ответов.

• Локальный RAG: Развертывание и связка self-hosted векторных баз (Qdrant, pgvector) с локальными эмбеддингами и реранкерами для поиска по корпоративным документам.

• Интеграция облачных API: Написание модульных коннекторов к YandexGPT API и GigaChat API в рамках единого интерфейса коробки.

• Упаковка под Air-Gapped: Контейнеризация AI-сервисов в Docker для развертывания на серверах клиентов без интернета.

Условия:

• Четко сформулированные технические задачи и требования к результату от архитекторов коробки.

• Доступ к серверам и GPU-мощностям для тестов и бенчмарков.

• Прямое влияние на ключевую фичу продукта.

• Адекватное руководство, гибкий график, прозрачные условия пересмотра дохода по итогам внедрения работающих решений.
  
  В сопроводительном письме обязательно укажите средний балл вашего диплома и расскажите о вашем увлечении AI.