# ML / MLOps Engineer
Ищем инженера, который умеет самостоятельно разрабатывать ML-решения и доводить их до стабильной работы в production, используя ИИ-агентов для ускорения разработки.
Формат: Удаленка МОСКВА!!!
О продукте/команде
🌐 Проект для ЖКХ (обработка обращений граждан). Продукт уже реализован — он сейчас идёт в пилоте. Мы многое будем проходить вместе, и у нас нет интерпрайза. Поэтому сейчас усиляем команду и ищем разработчика с опытом работы с кодинг агентами.
Нужен специалист, который способен не только развернуть готовую модель, но и разобраться в задаче, подготовить данные, обучить или адаптировать модель, оценить качество и организовать её эксплуатацию. Ответственность end-to-end: от постановки ML-задачи до работающего сервиса и контроля его качества после запуска.
Обязанности
1.Вести ML-задачу полного цикла. Уточнять задачу и критерии успеха, анализировать и подготавливать данные, создавать baseline и выбирать подход к решению.
2.Обучать и оценивать модели. Обучать или дообучать модели, анализировать ошибки, сравнивать решения по качеству, скорости и стоимости. Документировать результаты экспериментов и ограничения выбранного подхода.
3.Организовывать воспроизводимый MLOps-процесс. Автоматизировать подготовку данных, обучение, оценку и развёртывание; версионировать данные, код, модели и конфигурации.
4.Разрабатывать и сопровождать ML-сервисы. Создавать сервисы инференса и интеграции с продуктом, обеспечивать тестирование, мониторинг, обновление и возможность отката.
5.Настраивать ИИ-агентов для ML и инфраструктуры. Создавать skills, проектные инструкции и workflow. Подключать инструменты и документацию, контролировать доступ к данным, секретам и вычислительным ресурсам, проверять подготовленный агентами код.
6.Лично валидировать качество. Проверять данные и разметку на выборках, анализировать предсказания и ошибки модели, исследовать проблемные сценарии. Не ограничиваться сводными метриками.
7.Проверять решение в целевой среде. Лично проверять развёрнутую систему на реальных примерах, диагностировать проблемы данных, модели, интеграций и инфраструктуры.
8.Контролировать работу после запуска. Следить за качеством и производительностью сервиса, исследовать отклонения и устранять обнаруженные проблемы.
Требования
•Практический опыт прикладного ML. Самостоятельная подготовка данных, обучение и оценка моделей, анализ ошибок. Понимание выбора метрик, разделения данных на обучающие и проверочные выборки, переобучения и утечек данных.
•Самостоятельная ML-разработка. Уверенный Python, опыт PyTorch и/или scikit-learn либо аналогичных инструментов. Умение читать, писать и отлаживать код подготовки данных, обучения и инференса, а не только запускать готовые примеры.
•Production-опыт. Практический опыт развёртывания и сопровождения ML-сервисов. Понимание API, хранения артефактов, воспроизводимости окружений, мониторинга и обновления моделей.
•Инженерная инфраструктура. Практические навыки Linux, Docker, Git, тестирования и CI/CD. Умение диагностировать проблемы производительности, использования CPU/GPU и памяти.
•Coding agents и их адаптация. Практический опыт Codex, Claude Code или аналогов; создание skills и проектных инструкций, настройка контекста и инструментов под ML- и инфраструктурные задачи.
•Личная ответственность за результат. Готовность самостоятельно проверять выводы агентов, вручную анализировать данные и предсказания, разбирать ошибки и доводить модель и сервис до согласованного качества.
Будет плюсом
•Опыт MLflow, DVC, Kubernetes и оркестраторов вычислительных задач.
•Опыт оптимизации GPU-инференса, батчинга и квантования.
•Опыт в одном или нескольких направлениях: NLP/LLM, компьютерное зрение, обработка речи или ML на табличных данных.
