Инженер-исследователь машинного обучения

Исследования и прототипирование

• Оценка и выбор актуальных LLM‑моделей (Llama‑2/3, DeepSeek, RWKV и др.)
• Проведение экспериментов с LoRA/QLoRA, P‑Tuning, Sparse Fine‑Tuning для русскоязычных и англоязычных кейсов
• Тестирование Retrieval‑Augmented Generation (RAG): настройка ретриверов (FAISS, pgvector, Milvus), подбор chunk‑размеров, топ‑k, re‑ranking
  Инженерия и продакшн
• Создание reproducible pipeline’ов (PyTorch + HuggingFace + Weights & Biases)
• Автоматизация оценки метрик (Correct Answer Rate, BLEU, BERTScore)
• Интеграция моделей в микросервисную архитектуру (FastAPI + gRPC) совместно с backend‑командой
  Оптимизация и эксплуатация
• Квантование (bitsandbytes, GPTQ) и профилирование на GPU A100/L4
• Настройка кастомного кеширования (vLLM, SGLang) для снижения латентности
• Внедрение мониторинга качества (drift, hallucination rate)
  Сотрудничество
• Работа в паре с AI Solutions Architect над дорожной картой
• Консультации геоданных‑эксперта по терминологии и тестовым кейсам
• Подготовка тех.‑документации и knowledge‑sharing с командой

обязательные требования:

• 3+ года коммерческой работы с DL/NLP
• Уверенное владение PyTorch и HuggingFace
• Опыт fine‑tune/LoRA‑обучения моделей ≥ 1 B params
• Знание принципов RAG, векторного поиска, индексации
• Умение писать чистый, тестируемый Python‑код
• Linux + Docker + Git на уровне everyday use
  необязательные требования:
• Опыт внедрения LLM в on‑premise окружениях
• Глубокие знания оптимизаций: kv‑кеш, kv‑compression
• Опыт работы с доменными документами (тех‑отчёты, буровые журналы)
• Публикации или участие в open‑source‑репозиториях

Оборудование

Корпоративный ноутбук M2/RTX 40xx + доступ к GPU‑кластеру A100 & L4

Премии

KPI‑бонус до 15 % годового дохода по итогам пилотов

Профессиональный рост

Бюджет 120 k ₽/год на курсы и конференции (ODS, NeurIPS Remote, MLRepa)

Отпуск

28 календарных дней + 5 «добрых дел» (DLP)