Инженер-исследователь в области ИИ — Нейро-символическое рассуждение и Генеративный ИИ

Что предстоит делать

CodeTiburon ищет AI Research Engineer — Neuro-Symbolic Reasoning & Generative AI для присоединения к нашей команде и тесной работы с одним из наших долгосрочных клиентов. **О проекте** Наш клиент — прикладная AI-лаборатория, специализирующаяся на формальном представлении знаний и рассуждениях следующего поколения. Проект посвящен созданию «семантического ИИ», способного к глубоким, обоснованным рассуждениям над сложными структурами, такими как тексты, аргументы и интеллектуальные традиции. Основная миссия — объединить мощь современных LLM с строгостью нейро-символических методов и графов знаний (Knowledge Graphs). Сосредоточившись на областях с наивысшими логическими стандартами, команда стремится установить новые benchmarks для ответственного и интеллектуального поведения ИИ во всей индустрии. **О роли:** Вы будете трудоустроены в CodeTiburon и на долгосрочной основе интегрированы в исследовательскую команду клиента. Работая бок о бок со старшим прикладным ученым (Senior Applied Scientist), вы будете помогать превращать исследовательские идеи в production-системы и воспроизводимые эксперименты. В то время как Applied Scientist определяет направления исследований и разрабатывает новые алгоритмы, вы будете отвечать за реализацию экспериментов, тонкую настройку моделей, создание фреймворков для оценки, разработку конвейеров данных и рассуждений, а также итеративное доведение решений до надежного, готового к production состояния. Вы будете выступать в качестве ключевого инженерного партнера в исследовательском процессе — предлагая стратегии реализации, выявляя инженерные ограничения на ранних этапах и переводя гипотезы в измеримые результаты. **Темы, над которыми вы будете работать:** * **Реализация экспериментов.** Преобразование исследовательских планов от Applied Scientist в чистые, воспроизводимые эксперименты на Python, охватывающие нейро-символические архитектуры (LTN, DeepProbLog, LARK), гибридные конвейеры LLM+KG и RAG-системы. * **Инженерия графов знаний и онтологий.** Создание и поддержка инструментария для работы с онтологиями RDF/OWL 2, запросами SPARQL/Cypher и графовыми базами данных (Neo4j, Amazon Neptune) для обеспечения последующих модулей рассуждений. * **Разработка/интеграция RAG/KG конвейеров.** Реализация и итеративная доработка конвейеров retrieval-augmented generation/KG, объединяющих плотный, разреженный и структурированный поиск по разнородным корпусам с отслеживанием происхождения данных (provenance tracking). * **Тонкая настройка и оценка LLM.** Проведение экспериментов по supervised и RLHF/DPO тонкой настройке; создание тестовых стендов (evaluation harnesses), включающих уровни символической верификации, benchmarks и регрессионные наборы тестов. * **Исследовательская инфраструктура.** Владение системами отслеживания экспериментов, конвейерами наборов данных и MLOps-инструментарием (MLflow, SageMaker, Vertex AI), позволяющими команде быстро итеративно работать и надежно воспроизводить результаты. * **Литература и прототипирование.** Отслеживание актуальных публикаций; быстрая реализация прототипов идей из недавно опубликованных методов и оценка их соответствия целям клиента. **Требуемая квалификация** **Образование:** Степень бакалавра или магистра в области Computer Science, Artificial Intelligence, AI Planning, Machine Learning, Cognitive Science, формальных методов или тесно связанной области. **Языковые навыки:** Профессиональное владение английским языком (письменным и устным) на рабочем уровне, способность участвовать в технических дискуссиях, читать и реализовывать исследовательские статьи, документировать результаты и эффективно сотрудничать в международной исследовательской среде (Strong B2/C1). **Ключевые технические навыки:** * **Generative AI / LLMs:** твердые рабочие знания: архитектура трансформеров, prompt engineering, RAG, использование инструментов, тонкая настройка (SFT/LoRA); * **Machine Learning:** уверенное владение: обучение с учителем/без учителя, обучение представлениям (representation learning), дизайн экспериментов; * **Neuro-Symbolic Concepts:** знакомство: опыт работы хотя бы с одним фреймворком (например, LTN, DeepProbLog, NSCL, LARK) или курсы по символическому ИИ; готовность углублять знания; * **Knowledge Graphs:** рабочие знания: модели графовых данных, запросы SPARQL или Cypher, хотя бы одна графовая БД (Neo4j или аналог); * **Software Engineering:** уверенное владение production-кодом на Python; модульное тестирование, контроль версий, основы CI. **Опыт:** * Подтвержденная способность самостоятельно реализовывать исследовательские идеи, создавать воспроизводимые эксперименты и вносить вклад в создание готовых к production AI-систем. * Продемонстрированная способность реализовывать модели и алгоритмы из исследовательских статей с минимальным руководством. * 3–5 лет практического опыта в ML/AI engineering, research engineering или тесно связанной роли (стажировки и должности research assistant учитываются). * Опыт работы с инструментами отслеживания экспериментов (MLflow, Weights & Biases или аналоги) и практиками воспроизводимых исследований. * Опыт работы с облачной ML-инфраструктурой на AWS, GCP или Azure. **Предпочтительная квалификация:** * Знакомство с формальным представлением знаний: OWL 2, RDF/RDFS, дескрипционные логики или формализмы логики первого порядка. * Знакомство с agentic AI фреймворками (цепочки использования инструментов, многошаговое планирование, мультиагентная координация). * Опыт оценки LLM и red-teaming на предмет фактической точности, логической согласованности или безопасности. * Вклад в open-source ML/NLP/KR проекты или соавторство в arXiv препринте или статье на конференции/воркшопе. * Знакомство с формальной верификацией, SAT/SMT-решателями или answer set programming. * Опыт тонкой настройки foundation моделей в условиях ограниченных ресурсов или для предметно-ориентированных областей. * Знакомство с графовыми нейронными сетями или гетерогенными графовыми трансформерами. * Опыт работы с AI-инструментами для кодирования, такими как Claude Code или Cursor. * Подтвержденная способность создавать готовые к production артефакты. **Обязанности:** * Реализация, запуск и итеративная доработка экспериментов, разработанных Applied Scientist; поддержание чистого, хорошо документированного, воспроизводимого кода. * Создание и поддержка RAG-конвейеров, интеграций графов знаний и нейро-символических прототипов систем. * Разработка и выполнение тестовых стендов (evaluation harnesses), объединяющих автоматические метрики, символические проверки и человеческую оценку, для измерения качества моделей и выявления регрессий. * Обеспечение надежности и простоты использования инфраструктуры экспериментов (конвейеры данных, отслеживание, выделение вычислительных ресурсов) для всей команды. * Чтение релевантных статей и проактивное предложение вариантов реализации или потенциальных проблем до того, как они станут блокерами. * Ежедневное сотрудничество с Applied Scientist, ML-инженерами и контент-командами для согласования результатов исследований с требованиями к продукту. * Вклад во внутреннюю документацию, ревью дизайна и ревью кода; развитие навыков через менторство от старших исследователей. * Поддержание научной строгости, воспроизводимости и практик ответственного ИИ в каждой выполняемой работе. * Тесная работа с владельцами продукта (production owners). Если это похоже на вас и ваш опыт соответствует большинству перечисленных квалификаций, мы будем рады получить от вас весточку. Пожалуйста, отправьте нам свое резюме. Спасибо за ваш интерес. Каждая заявка тщательно рассматривается, и кандидаты, чей опыт и background наилучшим образом соответствуют роли, будут приглашены для обсуждения следующих шагов.