AI ML Engineer - Transformers, Time Series, Multi-modality (Senior / Middle, AI RnD команда)

Что предстоит делать

В конце 2025 года запущено новое направление - ФинТех AI RnD. Оно полностью основано на передовых направлениях в области машинного обучения и искусственного интеллекта в разрезе как исследований (Research), так и инженерных разработок (Development) в условиях наличия огромного объема внутренних данных финтех-направления (финансовые транзакции, кредитные обращения, рекомендации, покупки и т.п.). Наша цель - создать исследовательский центр экспертизы в AI/ML для выведения финтех-направления на передовые позиции в России и за рубежом. Ваша роль и задачи: Вы станете одним из первых инженеров нашего AI/ML-направления с задачами по исследованию данных и участии в запросах по их улучшению, проведением экспериментов, дообучением моделей, внедрением их в продукты и работой с обратной связью от заказчиков. От вас потребуется: • Строить модели для совместной обработки финансовых данных разной природы • Уметь воспроизводить модели по публикациям / публичному коду • Разрабатывать методологии оценки, бенчмарки, фреймворки для финансовых задач • Оптимизировать скорость, качество, эффективность обучения на CPU/GPU • Участвовать в конечной процедуре развертывания прототипа в реальный продукт, и последующей поддержке • Анализировать данные, в особенности в части временных рядов • Обучать и до-обучать оптимальные трансформерные и рекуррентные архитектуры на временных рядах • Понимать разницу между условиями применения RNN и Transformers • Использовать лучшие принципы пайплайнов данных и ML-жизненного цикла (MLOps, мониторинг моделей) • Взаимодействовать с командами AI разработки, так и с продуктовой и бизнес-командой для поиска лучших решений • Делиться экспертизой с коллегами, помогать формировать культуру ML экспериментов внутри команды Что ждём от вас: Фундаментальные знания, образование и опыт: • Законченный специалитет/магистратура с фокусом на одно или более направлений: Компьютерные Науки, Искусственный Интеллект, Математика или близко связанные области • Экспертные знания и исследования в одном или более направлений: Машинное Обучение, Глубокое Обучение, Статистика, Теория Вероятностей или близко связанные области • Понимание архитектурных особенностей моделей - бустингов, трансформеров, рекуррентных, авторегрессионных архитектур для последовательных, табличных, текстовых и мультимодальных финансовых данных • Знание подходов энкодера, декодера, и их совместного использования • Умение делать пред-/пост-обучение, а также обучение в контексте • Опыт работы с большими и неоднородными данными, в т.ч. проведение изначального исследования данных • Умение подготовить и развернуть модель в тестовом окружении • Опыт работы с feature stores • Знание contrastive и representation подходов • Желательно - научные публикации в любой из топовых конференций ( CVPR, ICLR, ICML, NeurIPS, ICCV, AAAI, IJCAI, ICAIF и т.п.) • Опыт или знания финтех области (желательно): моделирование рисков, детекция фрода, оценка кредитоспособности, предсказание трат, и т.п. • Опыт командной работы • Опыт удаленной работы Технологические навыки: • Python как основной язык разработки. • Опыт работы с ML-фреймворками ( PyTorch / JAX / TensorFlow ) • Опыт распределенного обучения и тестирования (multi-GPU) • ClickHouse / GreenPlum СУБД • Опыт использования формата Spark Parquet • Работа с TensorRT (оптимизация) / Triton (serving) • Владение контейнеризацией Docker, а также опыт работы с оркестрацией Kubernetes • Опыт в MLFlow • Высокие технические стандарты Особенно заинтересованы в кандидатах, которые: • Считают, что перевод исследования в рабочий продукт - крайне важная часть работы, и легко могут переводить идеи \ прототипы \ статьи в production • Критически мыслят по поводу дизайна экспериментов и статистической стабильности и обоснованности • Комфортно чувствуют в условиях шумных, разнородных данных реального финансового мира • Умеют балансировать между любопытностью и инженерным прагматизмом • Раскрываются в окружениях, где исследователи, инженеры, и бизнес быстро итерируются

Что предлагаем