ML Engineer / AI Engineer

07 Июля

Партнерские Вакансии

Компания "Paradise"

работа в компании РГП на ПХВ "РЦЭЗ"

### Основные задачи

Специалист будет участвовать в разработке, внедрении и сопровождении ML/AI-решений для корпоративных информационных систем. Основной фокус — работа с данными, машинным обучением, LLM/Generative AI, RAG-подходами и выводом моделей в production-среду.

В рамках роли необходимо будет:

* разрабатывать ML/AI-модели и прототипы на Python;
* собирать, очищать, анализировать и подготавливать датасеты для обучения моделей;
* разрабатывать решения на базе LLM и open-source AI-моделей;
* проектировать и внедрять RAG-подходы для работы с корпоративными данными;
* разворачивать ML/AI-сервисы в виде API;
* контейнеризировать решения с использованием Docker;
* оптимизировать SQL-запросы и процессы подготовки данных;
* участвовать в построении ML-пайплайнов и автоматизации жизненного цикла моделей;
* работать с GPU-инфраструктурой для обучения и инференса моделей;
* взаимодействовать с backend-разработчиками, аналитиками и архитекторами при интеграции AI-решений в систему.

### Обязательные требования

#### Python и базовый ML-стек

* уверенное владение Python;
* умение писать чистый, поддерживаемый и оптимизированный код;
* хорошее понимание ООП и стандартов разработки;
* практический опыт работы с Pandas, NumPy, Scikit-learn;
* понимание принципов подготовки данных, обучения, валидации и оценки ML-моделей.

#### Работа с данными и SQL

* уверенное знание SQL;
* опыт написания сложных SQL-запросов;
* умение оптимизировать запросы и работать с большими объемами данных;
* опыт агрегации, очистки и трансформации данных;
* способность самостоятельно собирать и готовить датасеты для ML-задач.

#### LLM / Generative AI

* практический опыт работы с LLM и Generative AI;
* опыт развертывания open-source AI/LLM-решений;
* понимание архитектуры Transformer;
* знание принципов Prompt Engineering;
* опыт реализации RAG-подходов;
* понимание особенностей работы с embeddings, vector search и корпоративными базами знаний.

#### Production и инженерная база

* опыт упаковки ML/AI-решений в Docker-контейнеры;
* опыт разработки API-сервисов для моделей с использованием FastAPI или Flask;
* понимание принципов построения стабильных production-сервисов;
* базовое понимание асинхронной архитектуры;
* опыт или понимание работы с Kafka и/или RabbitMQ;
* умение интегрировать ML-сервисы с backend-системами.

#### Математическая база

* понимание основ теории вероятностей;
* знание математической статистики;
* понимание линейной алгебры;
* способность интерпретировать результаты моделей и метрики качества;
* понимание внутренней логики основных ML-алгоритмов;
* знание методов машинного и глубокого обучения, включая: классификацию; регрессию; кластеризацию; нейронные сети.

#### Инфраструктура и инструменты

* уверенная работа в Linux-среде;
* владение Bash на базовом или среднем уровне;
* уверенное использование Git;
* опыт работы с GPU-инстансами;
* понимание принципов распределения GPU-ресурсов для обучения и инференса моделей.

### Будет преимуществом

Дополнительным плюсом будет опыт в следующих направлениях:

* построение и автоматизация MLOps-пайплайнов;
* работа с MLflow, ClearML или аналогичными инструментами;
* версионирование моделей, датасетов и экспериментов;
* мониторинг качества моделей после внедрения;
* настройка процессов retraining / fine-tuning;
* опыт работы с vector databases;
* опыт fine-tuning open-source LLM;
* опыт работы с LangChain, LlamaIndex или аналогичными фреймворками;
* опыт внедрения AI-решений в enterprise- или government-системы;
* понимание вопросов безопасности, приватности и контроля доступа при работе с корпоративными данными.