Ведущий специалист по машинному обучению и методам обработки информации с применением искусственного интеллекта

Обязанности:

Высшее образование (бакалавр + магистр) в области Прикладной математики-информатики, математики, или смежных дисциплин Сертификаты в области ML/AI Amazon, Google, Nvidia (как минимум один обязателен) Английский язык (уровень B2+ для анализа международных публикаций по профессиональной теме, подтвержденный сертификатом) Опыт работы (подтвержденный документально): 5+ лет коммерческой разработки в ML/Data Science Портфолио проектов GitHub Публикации в области ML/AI в научных рецензируемых ВАК журналах Участие в ML соревнованиях. Приоритетнее Kaggle - минимум 1-2 соревнования топ 10 в private лидерборде Обязанности: Разработка алгоритмов в области машинного обучения и методах обработки информации по направлениям фрод-мониторинга и гарантирования доходности Разработка ПО Поддержка текущих версий ПО Участие (и руководство) в тестировании и сопровождении ПО Требования: 1. Обязательные технические навыки: 1.1. Языки программирования: Профессиональное владение Python Базовое знание SQL Знание C++ 1.2. ML-фреймворки и библиотеки: TensorFlow PyTorch Keras scikit-learn XGBoost Catboost 1.3. Обработка данных: Pandas NumPy Spark 1.4. ML-алгоритмы: Глубокое обучение NLP Компьютерное зрение Рекомендательные системы Классические методы (регрессия, кластеризация и т.д.) LLM 1.5. Инфраструктура: Знание Docker, Kubernetes, Airflow, Kafka Понимание MLOps-практик (мониторинг, версионирование моделей). 1.6. Работа с данными: Умение работать с большими данными Опыт в предобработке, очистке и feature engineering Знание баз данных: реляционные (PostgreSQL, MySQL) и NoSQL (MongoDB, Cassandra) 1.7. Разработка и развертывание ПО: Опыт создания, обучения и развертывания LLM в production Знание CI/CD-инструментов (Jenkins, GitLab CI) Умение оптимизировать модели для скорости и масштабируемости 1.8. Математическая база: Понимание линейной алгебры, статистики, методов оптимизации Желательные навыки: Знание архитектур нейросетей (Transformer, CNN, RNN) Опыт с AutoML-инструментами (MLflow, Kubeflow) Domain knowledge в специфичных для компании областях (системы связи) Участие в open-source проектах.