ML/AI-специалист

Что предстоит делать

работа в компании РГП на ПХВ "РЦЭЗ" ### Основные задачи Специалист будет участвовать в разработке, внедрении и сопровождении ML/AI-решений для корпоративных информационных систем. Основной фокус — работа с данными, машинным обучением, LLM/Generative AI, RAG-подходами и выводом моделей в production-среду. В рамках роли необходимо будет: * разрабатывать ML/AI-модели и прототипы на Python; * собирать, очищать, анализировать и подготавливать датасеты для обучения моделей; * разрабатывать решения на базе LLM и open-source AI-моделей; * проектировать и внедрять RAG-подходы для работы с корпоративными данными; * разворачивать ML/AI-сервисы в виде API; * контейнеризировать решения с использованием Docker; * оптимизировать SQL-запросы и процессы подготовки данных; * участвовать в построении ML-пайплайнов и автоматизации жизненного цикла моделей; * работать с GPU-инфраструктурой для обучения и инференса моделей; * взаимодействовать с backend-разработчиками, аналитиками и архитекторами при интеграции AI-решений в систему. ### Обязательные требования #### Python и базовый ML-стек * уверенное владение Python; * умение писать чистый, поддерживаемый и оптимизированный код; * хорошее понимание ООП и стандартов разработки; * практический опыт работы с Pandas, NumPy, Scikit-learn; * понимание принципов подготовки данных, обучения, валидации и оценки ML-моделей. #### Работа с данными и SQL * уверенное знание SQL; * опыт написания сложных SQL-запросов; * умение оптимизировать запросы и работать с большими объемами данных; * опыт агрегации, очистки и трансформации данных; * способность самостоятельно собирать и готовить датасеты для ML-задач. #### LLM / Generative AI * практический опыт работы с LLM и Generative AI; * опыт развертывания open-source AI/LLM-решений; * понимание архитектуры Transformer; * знание принципов Prompt Engineering; * опыт реализации RAG-подходов; * понимание особенностей работы с embeddings, vector search и корпоративными базами знаний. #### Production и инженерная база * опыт упаковки ML/AI-решений в Docker-контейнеры; * опыт разработки API-сервисов для моделей с использованием FastAPI или Flask; * понимание принципов построения стабильных production-сервисов; * базовое понимание асинхронной архитектуры; * опыт или понимание работы с Kafka и/или RabbitMQ; * умение интегрировать ML-сервисы с backend-системами. #### Математическая база * понимание основ теории вероятностей; * знание математической статистики; * понимание линейной алгебры; * способность интерпретировать результаты моделей и метрики качества; * понимание внутренней логики основных ML-алгоритмов; * знание методов машинного и глубокого обучения, включая: классификацию; регрессию; кластеризацию; нейронные сети. #### Инфраструктура и инструменты * уверенная работа в Linux-среде; * владение Bash на базовом или среднем уровне; * уверенное использование Git; * опыт работы с GPU-инстансами; * понимание принципов распределения GPU-ресурсов для обучения и инференса моделей. ### Будет преимуществом Дополнительным плюсом будет опыт в следующих направлениях: * построение и автоматизация MLOps-пайплайнов; * работа с MLflow, ClearML или аналогичными инструментами; * версионирование моделей, датасетов и экспериментов; * мониторинг качества моделей после внедрения; * настройка процессов retraining / fine-tuning; * опыт работы с vector databases; * опыт fine-tuning open-source LLM; * опыт работы с LangChain, LlamaIndex или аналогичными фреймворками; * опыт внедрения AI-решений в enterprise- или government-системы; * понимание вопросов безопасности, приватности и контроля доступа при работе с корпоративными данными.