Junior ML Engineer

FP TRADE ищет Junior ML Engineer. Мы занимаемся разработкой проектов на аутсорсе.

Мы представляем собой опытных единомышленников, увлеченных созданием продуктов для разных сфер жизни.

Наш стек: React, Nginx, Java 8-21, Spring, PostgreSQL, MySQL, Redis, Kafka, Elasticsearch, ClickHouse, Activity, Docker, Kubernetes, GlusterFS, Gitlab.

Рассматриваем также обучающихся на 3-4 курсах.

Задачи, которые предстоит решать:

• Прогнозирование читательского спроса на основе пользовательской активности;
• Разработка LLM-агентов для взаимодействия с пользователями и обработки естественного языка;
• Реализация векторного поиска и Retrieval-Augmented Generation (RAG) для интеллектуального поиска по базе знаний;
• Дообучение и внедрение моделей Text-to-Speech для генерации озвучки текстового контента;
• Построение рекомендательной системы с использованием гибридных подходов (контентные, коллаборативные методы).

Требования:

• Уверенное владение Python и опыт использования основных библиотек анализа данных и машинного обучения: numpy, pandas, scikit-learn, matplotlib, seaborn;
• Опыт разработки нейросетей на PyTorch и/или TensorFlow.
• Понимание и опыт очистки, нормализации и подготовки данных, генерации и отбора признаков
• Знание классических алгоритмов и опыт обучения моделей машинного обучения: логистическая регрессия, деревья решений / бустинги, кластеризация.
• Знание метрик и подходов для оценки качества моделей (недостатки, ограничения, применимость для различных задач).
• Понимание методов обработки текстовых данных: токенизация, TF-IDF, word embeddings, нормализация текста
• Опыт работы с open-source LLM: LLaMA, Mistral, DeepSeek и другие, как через API, так и в виде локально развёрнутых моделей
• Понимание и навыки prompt engineering, chain-of-thought prompting, построения цепочек reasoning-агентов
• Понимание методов дообучения и оптимизации инференса LLM: fine-tuning, LoRA, квантование, дистилляция
• Понимание принципов векторного поиска, реализация RAG-подходов
• Опыт построения пайплайнов обучения и инференса, разработки микросервисов на FastAPI
• Навыки и опыт работы с Docker, Git.

Будет плюсом:

• Опыт или эксперименты с моделями синтеза речи (Text-to-Speech) и голосовыми фреймворками;
• Понимание принципов построения рекомендательных систем: content-based, collaborative filtering, гибридные методы;
• Опыт создания и внедрения LLM-ассистентов;
• Навыки и опыт работы с базами данных: SQL, NoSQL (Redis), Elasticsearch, векторные БД (Milvus, FAISS);
• Опыт использования библиотек и инструментов: LlamaIndex, LangChain, vLLM;
• Знание теоретических основ статистики и теории вероятностей;
• Владение Java.