ML/DL инженер (Middle/Middle+)

Что предстоит делать

Ищем сильного ML/DL инженера (Middle / Middle+) с релевантным коммерческим опытом на удалёнку, частичная или полная занятость (20-40 часов в неделю). Почасовая ставка, окончательная ЗП обсуждается с каждым кандидатом индивидуально, после собеседования (а также корпоративные бонусы, среди которых квартальные премии, путешествия за счёт компании и т. д.). Стек: Python, PyTorch, HuggingFace (transformers, peft, trl), OpenCV, ONNX Runtime / TensorRT, vLLM/Llama.cpp, LangChain / LangGraph, ASR, STT, TTS, FastAPI, Docker, Git, MLflow / W&B. О задачах Мы развиваем три направления: • VLM-based CV (OCR, видеообработка) — Двигаемся от классического пайплайна (detection → recognition → post-processing) к end-to-end VLM (Qwen-VL, InternVL, Donut-подобные архитектуры), включая дообучение под домены. • LLM / AI-агенты — агентные пайплайны поверх LLM: tool calling, RAG, multi-step reasoning, оркестрация на LangChain / LangGraph, оценка качества и надёжности агентов. Кого ищем ML\DL инженера, который знаком основными нейросетевыми архитектурами в CV или NLP, работал с transformer моделями, локальным обучением и инференсом VLM или LLM, построением AI-агентов с RAG и tool-calling. Желателен опыт в пересечении CV / VLM / NLP.

• Дообучать VLM\LLM под домен\задачу, SFT, LoRA/QLoRA, подбор инструкционного формата, борьба с галлюцинациями в полях, работа с пре\пост процессингом видео \ изображений.
• Сравнивать, строить метрики и обосновывать выбор: классический OCR-пайплайн vs end-to-end VLM — по качеству, стоимости инференса и latency.
• Проектировать и внедрять агентные пайплайны на LangGraph: tool calling, роутинг, memory, retrieval, обработка отказов и retry-логика; строить систему оценки качества агентов (в т.ч. LLM-as-a-judge и regression-наборы).
• Оптимизировать инференс: квантизация, ONNX/TensorRT, батчинг, vLLM\Llama.cpp, укладываться в бюджеты по latency и GPU.
• Выкатывать модели в сервисы (FastAPI/gRPC, Docker), настраивать мониторинг качества и деградаций.
• Что необходимо
• От 3 лет разработки ML/DL-решений на Python, PyTorch или обучения моделей для CV\NLP задач, уверенная работа с Linux\Docker.
• Модели вашей разработки/обучения, доведённые до продакшена (или до сопоставимого по требованиям внутреннего сервиса) — умеете построить и объяснить метрики.
• Опыт минимум в одном из направлений на глубоком уровне и понимание смежных:
• CV: детекция/сегментация/распознавание, работа с «грязными» реальными изображениями, аугментации, доменный сдвиг;
• VLM: дообучение мультимодальных моделей, подготовка instruction-датасетов, оценка качества генерации;
• NLP/LLM: fine-tuning и/или промпт-инжиниринг под задачу, RAG, оценка качества генеративных систем.
• Уверенное владение экосистемой HuggingFace (transformers, datasets, peft, accelerate), понимание, что происходит под капотом.
• Понимание архитектур трансформеров и мультимодальных моделей: attention, cross-attention, визуальные энкодеры, проекционные слои.
• Практика распределённого/эффективного обучения: mixed precision, gradient accumulation, DDP или аналог; умение уложиться в имеющиеся GPU.
• Будет плюсом
• Продовый опыт с OCR / document understanding (LayoutLM, Donut, TrOCR, PaddleOCR).
• Дообучение открытых VLM (Qwen-VL, InternVL, LLaVA, Pixtral) под домен.
• Observability и трассировка агентов: LangSmith, Langfuse; построение офлайн- и онлайн-оценки.
• Оптимизация и деплой LLM: vLLM/Llama.cpp, TensorRT-LLM, квантизация (GPTQ/AWQ), KV-cache.
• Опыт построения пайплайнов разметки и активного обучения.
• желателен опыт с LangChain и LangGraph или других фреймворках для AI-агентов: собирали и поддерживали многошаговых агентов — проектировали граф состояний и инструменты, разбирались с зацикливанием и деградацией качества, понимаете ограничения фреймворка и когда от него стоит отказаться в пользу собственной оркестрации.

Что предлагаем