Инженер по машинному обучению

Обязанности: Работа в области Data Science с фокусом на решении прикладных задач NLP (обработка естественного языка), CV (компьютерное зрение), классического машинного обучения, а также задач ранжирования и рекомендаций. Применения SOTA (State-of-the-Art) моделей и подходов как минимум в одном из доменов: NLP, CV, Recsys. Работа с большими данными и выводом моделей в продуктовый контур. Разработка и внедрение моделей для бизнес подразделений, развертывания моделей в продакшн с использованием Docker, Kubernetes, а также технологий для мониторинга и управления моделями (например, MLflow, ClearML). Требования: Глубокое знание машинного обучения (регрессия, классификация, кластеризация, временные ряды и др.). NLP: опыт работы с трансформерными моделями (например, BERT, GPT-like, RoBERTa и др), навыки работы с генеративными моделями и системами анализа текста (NER, классификация текстов, эмбеддинги, синтаксический и семантический анализ), построение чат ботов, опыт обучения ускорения и вывода в продакшн LLM. Компьютерное зрение (CV): знание и опыт работы с (ResNet, EfficientNet и др.), детекторами (YOLO, Faster R-CNN) и GAN, опыт обучения ускорения и вывода в продакшн vLLM. Опыт создания рекомендательных систем и решений для ранжирования, использование моделей, таких как Matrix Factorization, Neural Collaborative Filtering, Sequence Models (например, BERT4Rec, GPT4Rec) и др. Знание и опыт работы с SOTA методами и моделями: fine-tuning и дообучение больших предобученных моделей для специализированных задач. Опыт работы с инфраструктурой: Hadoop, Spark, Apache Kafka, SQL, Airflow, S3. Сильные навыки программирования на Python (основные библиотеки: TensorFlow, PyTorch, scikit-learn, pandas, numpy и др.), а также знание SQL и Git. Навыки оптимизации и развертывания моделей в продакшн с использованием Docker, Kubernetes, а также технологий для мониторинга и управления моделями (например, MLflow, ClearML).