Обязанности:
Привет! Наша ML-команда отвечает за создание умных решений на базе ИИ для одного из крупнейших медиа на одной шестой части земли — от персонализации лент до генерации контента, используя для этого как стек на острие технологий, так и проверенные временем подходы. Хотим усиливаться новыми единомышленниками, которые как могут принести нам свою уникальную экспертизу в ML/AI, так и развиваться в интересном для себя направлении — от инженера до solution architect, имея доступ к классным спецам и реальным highload-задачам. Что делаем Проектируем и внедряем ML/AI-решения на базе LLM, трансформеров, эмбеддингов и агентских пайплайнов для анализа текстов, классификации контента и персонализации в Mediatech-продуктах РБК. Работаем с новостными потоками, аудио и видео-контентом, строим рекомендательные системы и интеллектуальную обработку данных. Наш технологический стек ML Core: PyTorch, Hugging Face Transformers/Datasets, sentence-transformers, scikit-learn NLP/LLM: токенизация, эмбеддинги, RAG, prompt engineering, агентские оркестраторы (LangChain/LangGraph) Инференс: batching, quantization (8-bit/4-bit), оптимизация latency/cost Векторные хранилища: FAISS, Milvus, PGVector, Elastic API/сервисы: FastAPI, Flask, OpenAPI, async-обработка Data pipeline: подготовка датасетов, weak supervision, очистка, балансировка MLOps: мониторинг drift, версионирование, воспроизводимость экспериментов Интеграции: Kafka/RabbitMQ, брокеры событий, near-real-time scoring Графовые БД: Neo4j, TigerGraph — для knowledge graph и семантического поиска Чем предстоит заниматься Проектирование и реализация ML-решений для анализа текстов, классификации и сегментирования контента Построение RAG-пайплайнов: chunking, retrieval, reranking, борьба с hallucinations Разработка агентских систем: tool-use, planning, ограничение действий, трассировка Создание рекомендательных систем: от классического CF до learning-to-rank с учетом CTR, retention и diversity Упаковка моделей в production-сервисы: API, контрактирование, интеграция с продуктом Подготовка данных: разметка, очистка, балансировка, hard negatives Оффлайн- и онлайн-оценка качества: A/B тесты, error analysis, наблюдаемость Развитие до solution architect: проектирование компонентов, интерфейсов, схемы деградации Наши ожидания Уверенные навыки разработки на Python: типизация, тестирование, профилирование, код-стайл, работа с памятью/скоростью Стек ML: PyTorch (или TensorFlow), Hugging Face Transformers/Datasets, sentence-transformers, scikit-learn Инференс и оптимизация: batching, quantization (8-bit/4-bit), distillation (понимание), latency/cost trade-offs Построение RAG: выбор векторного хранилища (FAISS/Milvus/PGVector/Elastic), chunking-стратегии, rerankers, кеширование Агентские пайплайны: оркестрация (например, LangGraph/LangChain-подходы или кастом), tool-calling, ограничение действий, трассировка Data pipeline: подготовка датасетов, разметка/weak supervision, очистка, балансировка, hard negatives API/сервисы: упаковка модели в сервис (FastAPI/Flask), контрактирование (OpenAPI), интеграция с продуктом Контур качества: оффлайн eval (наборы, regression tests), online A/B, error analysis, наблюдаемость (логирование, traces, dashboards) Будет плюсом Понимание домена: контентные таксономии, редакционные процессы, лента/витрины, модерация, тренды Персонализация и ранжирование ленты: multi-objective (CTR, retention, diversity, quality), exploration vs exploitation Контентная безопасность: токсичность/ненависть/NSFW/дезинформация (на уровне подходов), human-in-the-loop Мультиязычность: RU/EN/локальные языки, кросс-лингвальные эмбеддинги, трансформа качества на разных языках Понимание источников трафика и аналитики: event tracking, атрибуция, cohort/retention, экспериментальная платформа Что предлагаем Удалённая работа или офис в Москве, гибкий график Конкурентный уровень вознаграждения Предоставление современной техники ДМС с первого месяца работы Экспертная и вовлечённая команда Льготы ИТ-аккредитованной компанииПохожие вакансии