Старший AI/ML инженер

Что предстоит делать

<h3>Кто мы</h3><p>Xenoss — это компания, предоставляющая услуги в сфере AI engineering и интеграции, которая помогает средним и крупным предприятиям проводить AI-трансформацию end-to-end: от анализа ситуации и формулирования целей до data discovery и подготовки данных, построения pipeline, разработки моделей, проектирования retraining pipeline, развертывания решений и поддержки.</p><p>Мы создаем широкий спектр AI-решений, таких как прогнозирование поведения пользователей, генерация контента, NLP, сегментация аудитории, решения для поиска путей, AI-ассистенты, edge computer vision, fraud detection и другие.</p><p>Мы работаем с такими известными компаниями, как Microsoft, Toshiba, AstraZeneca, Activision Blizzard, Verve Group, Voodoo Games и Telefonica, среди прочих.</p><p>Мы входим в топ-100 софтверных компаний списка Inc. 5000.</p><h3>Что это за проект</h3><p>Мы нанимаем Senior AI/ML Engineer в долгосрочную инициативу In-Call Assistant для компании, являющейся мировым лидером в сфере финансовых услуг.</p><p>Проект посвящен созданию real-time conversational AI системы, которая поддерживает сотрудников front-office во время живых разговоров с клиентами. Система выявляет потребности клиентов, возражения, сигналы готовности к покупке и требуемые этапы процесса, а также предоставляет краткие рекомендации с учетом контекста.</p><p>Вы будете в первую очередь работать над слоем signal detection и trigger: превращением потоков живых разговоров в структурированные сигналы, confidence scores и решения о routing при строгих требованиях к latency.</p><p>Более широкое решение объединяет low-latency signal detection, подготовку контекста, генерацию рекомендаций для специалиста, RAG по утвержденным знаниям о продуктах и политиках, а также compliance guardrails.</p><h3>Что вы будете делать</h3><p>Вы будете отвечать за реализацию и постоянное улучшение модели signal detection и trigger, тесно работая с AI Solution Architect и остальной AI-командой.</p><p>Ключевая работа включает:</p><ul><li>Превращение транскриптов разговоров в структурированные сигналы, интенты и trigger-события</li><li>Создание и обучение моделей multi-label классификации для анализа живых разговоров</li><li>Подготовку training-датасетов с использованием <nobr>LLM-assisted</nobr> аннотирования и меток, проверенных SME</li><li>Разработку embeddings, классификаторов и альтернативных подходов к моделированию для signal detection</li><li>Проектирование и настройку порогов confidence, логики routing и поведения abstention</li><li>Оптимизацию inference для низкой latency и высокой пропускной способности</li><li>Создание датасетов для оценки, метрик и workflow анализа ошибок</li><li>Проведение экспериментов и сравнения моделей по accuracy, latency и требованиям к данным</li><li>Исследование false positives, false negatives и паттернов отказов модели</li><li>Работу с AI, data, MLOps и командами клиента для перевода моделей из экспериментов в production</li></ul><p>Ожидается, что вы будете глубоко вовлечены в разработку, обучение, оценку и оптимизацию моделей.</p><h3>Технологический ландшафт</h3><p>Вы будете работать в современной прикладной экосистеме AI и ML, включая:</p><ul><li>Python</li><li>PyTorch и Hugging Face</li><li>NLP и conversational AI</li><li>Embeddings и sentence encoders</li><li>Multi-label классификация</li><li>Легковесные нейронные классификаторы</li><li>Классический ML и gradient boosting, где это уместно</li><li><nobr>LLM-assisted</nobr> аннотирование данных</li><li>Калибровка confidence и оптимизация порогов</li><li>Оценка моделей и анализ ошибок</li><li>Low-latency inference и serving</li><li>MLOps, мониторинг и инструменты жизненного цикла моделей</li></ul><p>Мы оптимизируем под измеримое качество модели, низкую latency, пригодность для production и ограничения enterprise.</p><h3>Зона ответственности и контекст delivery</h3><p><strong>Ключевая зона ответственности</strong></p><ul><li>Реализовывать и улучшать модель Signal Extraction &amp; Trigger</li><li>Создавать training- и evaluation-pipeline для signal detection</li><li>Работать с архитектором и SME клиента над taxonomy сигналов и разметкой</li><li>Обеспечивать измеримое качество модели по precision, recall, false positives и false negatives</li><li>Настраивать пороги confidence и поведение trigger</li><li>Оптимизировать модели под ограничения real-time inference</li><li>Участвовать в production-мониторинге и непрерывном улучшении модели</li></ul><p>В предложении конкретно описывается Model 1 как always-on-компонент, обрабатывающий rolling transcript, выдающий multi-label confidence scores и routing-сигналы только при достижении откалиброванных порогов.</p><h3><strong>Команда и контекст delivery</strong></h3><ul><li>Тесно работать с AI Solution Architect и инженером, отвечающим за генерацию рекомендаций</li><li>Работать в партнерстве с SME клиента по taxonomy, разметке и валидации</li><li>Сотрудничать с data engineering и MLOps по training- и inference-pipeline</li><li>Участвовать в принятии технических решений, опираясь на эксперименты и измеримые результаты</li><li>Работать с неполными или слабо размеченными enterprise-датасетами и помогать выстраивать надежное supervision</li></ul><h3>Что вы должны привнести</h3><p><strong>Обязательные требования</strong></p><ul><li>Сильный практический опыт создания и обучения production-oriented ML-систем</li><li>Сильные навыки Python</li><li>Практический опыт с PyTorch и/или Hugging Face</li><li>Опыт с NLP, text classification, conversational AI или аналогичными задачами на неструктурированном тексте</li><li>Опыт обучения и оценки классификационных моделей</li><li>Сильное понимание precision, recall, F1, компромиссов между false positive / false negative и порогов confidence</li><li>Опыт создания датасетов и supervision на основе шумных или неполных меток</li><li>Опыт с embeddings и representation learning</li><li>Понимание производительности model inference, latency и throughput</li><li>Умение проводить структурированные эксперименты и систематический анализ ошибок</li><li>Комфорт в работе с грязными enterprise-данными</li><li>Умение четко коммуницировать с техническими командами и доменными экспертами</li></ul><p><strong>Будет плюсом</strong></p><ul><li>Опыт с real-time conversational AI или call-center системами</li><li>Опыт с multi-label классификацией</li><li>Опыт с sentence-transformer или аналогичными embedding-моделями</li><li>Опыт с калибровкой моделей</li><li>Опыт с XGBoost, LightGBM или аналогичными классическими ML-подходами</li><li>Опыт <nobr>LLM-assisted</nobr> разметки или synthetic supervision</li><li>Знакомство с Speech / ASR pipeline</li><li>Опыт в домене финансовых услуг</li><li>Опыт с MLOps и production-мониторингом моделей</li><li>Опыт работы с крупномасштабными latency-sensitive inference-системами</li></ul><h3>Модель работы</h3><ul><li>Формат сотрудничества: full-time, долгосрочный B2B-контракт</li><li>Место работы: удаленно, базирование в ЕС</li><li>Пересечение часовых поясов: минимум 4 рабочих часа пересечения с командой в Нью-Йорке</li><li>Инфраструктура: только среда клиента, без внешних сред для обучения или обработки данных</li><li>Data residency: вся работа выполняется в периметре клиента</li><li>Режим delivery: первоначальный offline-прототип, затем контролируемый live-пилот и развитие в production</li></ul> <div> <a href="https://jobs.dou.ua/companies/xenoss/vacancies/373684/#reply-btn-id">Откликнуться на вакансию</a> </div>