Data Scientist / ML Engineer

Data Scientist / ML Engineer (широкий профиль)

Мы ищем увлеченного данными инженера широкого профиля, интересы которого распространяются от источников данных, их статистической обработки и построения AI/ML-инфраструктуры до участия в проектах класса GenAI.

Мы начинаем развивать проекты ИИ, у нас разнообразные задачи – от классического ML до LLM, RAG и MLOps.

На данной позиции хотим видеть человека способного быстро разбираться в задачах, создавать MVP, экспериментировать и доводить решения до продакшена.

Что предстоит делать:

• Развивать проекты компьютерного зрения (CV – Computer Vision) в частности FVC – Food Visual Computing
• Разрабатывать и внедрять ML – модели
• Строить и оптимизировать RAG-архитектуру: чанкеры, векторизация, retrieval, маршрутизация запросов.
• Проведение исследований данных: feature engineering, эксперименты
• Подготовка данных и участие в построении ETL/ELT-пайплайнов совместно с Data Engineering-командой
• MLOps цикл: контейнеризация, мониторинг, управление экспериментами, вывод моделей в продакшн

• Развивать AI-инфраструктуры: автоматизация экспериментов, воспроизводимость окружений, MLflow, DVC.
• Построение ASR-пайплайнов (Whisper, диаризация, адаптация под доменную лексику).

Мы ожидаем кандидатов:

Технический бэкграунд

• Понимание архитектуры аналитических платформ
• Уверенный Python и DS-стек: Pandas, NumPy, Scikit-learn, PyTorch/TensorFlow
• Опыт решения задач ML: классификация, регрессия, NLP или CV
• Понимание полного жизненного цикла ML-проекта: от данных до продакшена
• Хорошие знания SQL, работа с реляционными и NoSQL хранилищами.
• Базовые навыки MLOps: Docker, MLflow/Weights&Biases, Airflow (или аналоги)

Опыт GenAI / LLM

• Настройка LLM (OpenAI API, HF-сервера, локальные модели)
• Создание промптов, chains, системной логики
• RAG-концепции: embedding, векторные БД, retrieval стратегии
• Опыт в CV: классификация, детекция, сегментация

MLOps & Infrastructure:

• Kubernetes, KServe, BentoML.
• CI/CD: GitLab CI, GitHub Actions.
• Monitoring: Prometheus, Grafana.
• DVC или аналоги для управления экспериментами.

Cloud:

• Yandex Cloud, SberCloud, VK Cloud, AWS, GCP или Azure.

Что мы ценим:

• Умение работать как исследователь и как инженер.
• Способность переводить бизнес-задачу в архитектуру решения.
• Проактивность и аккуратность в работе с данными и продакшн-моделями.
• Желание развиваться в GenAI и широком ML-стеке.