Описание
Большинство AI-продуктов — это обёртки. Мы создаём настоящий продукт: агента, который берёт на себя реальные задачи обычных пользователей — выполняет поручения, управляет рабочими процессами, удерживает контекст в длинных и сложных диалогах. Надёжный по дизайну, а не по случайности. Мы небольшая команда, движемся быстро, и ML-слой — это и есть продукт. Нам нужен человек, который возьмёт на себя его владение. Вы будете соединять исследования и продакшн, превращая идеи в системы, которые работают на масштабе, остаются надёжными и становятся лучше со временем. Full-stack ML ownership: от сырых данных до развёрнутой модели.
Задачи
•Building end-to-end pipelines across data, training, evaluation, and inference
•Adapting and fine-tuning models with modern techniques: LoRA, QLoRA, SFT, DPO, distillation
•Architecting inference systems that hold up under real latency and cost constraints
•Creating data pipelines that produce high-quality synthetic and real-world training data
•Running evaluation that goes beyond benchmarks: robustness, safety, bias, production behaviour
•Owning deployment: GPU optimisation, quantisation, memory efficiency, scaling
•Working directly with application engineers so ML integrates cleanly into backend, mobile, and desktop
Требования
•Deep understanding of deep learning and transformer architectures
•Proven experience training, fine-tuning, or shipping large-scale models in production
•Strong with at least one major ML framework (PyTorch, JAX) and quick to pick up others
•Familiar with distributed training and inference tooling: DeepSpeed, FSDP, Megatron, ZeRO, Ray
•Engineering discipline: code that's readable, robust, and maintainable
•Experience optimising for GPU constraints: quantisation, mixed precision, memory
•Comfortable taking ownership of ambiguous problems from zero to one
•Ships, iterates, learns from production
Будет плюсом
•LLM inference frameworks: vLLM, TensorRT-LLM, FasterTransformer
•RLHF: PPO, DPO, ORPO
•Open-source contributions to ML or systems libraries
•Scientific computing, compiler, or GPU kernel experience
•Multimodal or diffusion model background
•Large-scale data processing: Arrow, Spark, Ray
Условия
В большой компании ML-работа поглощается машиной. Здесь ваши системы — это продукт. Вы будете работать в тесном контакте с руководством исследований и инженерии, иметь реальное влияние на то, как эволюционирует архитектура, и видеть прямое влияние своей работы на пользователей. Если вы хотите строить ML-инфраструктуру, которая действительно имеет значение, — это она.
