О вакансии
АГРОЭКО приглашает на вакансию Специалиста по машинному обучению.
Мы ищем инженера, который доводит ML и LLM-решения до продакшна, а не останавливается на ноутбуке с хорошей метрикой. Вы будете отвечать за задачу целиком: от постановки метрики вместе с продуктом до мониторинга модели после релиза. В работе сочетаются два направления: современные LLM-подходы (дообучение, RAG, агентные сценарии) и классический ML, который по-прежнему решает большую часть прикладных задач.
Условия работы
•Прозрачная заработная плата 2 раза в месяц, 10-го и 25-го числа каждого месяца
•Оплата труда достойная (обсуждается на собеседовании)
•Оплата больничных листов и ежегодных отпусков
•13-я заработная плата
•Доплата за стаж: 3-6 лет – 5% от оклада; 6-10 лет – 7,5% от оклада; свыше 10 лет – 10% от оклада
•Мясо по льготной цене 25% на 15 кг/мес
•Бесплатное посещение бассейна в районе строительного института
•Поддержка в трудную минуту жизни, по важным семейным и личным событиям
•Целевое обучение для детей, родственников, знакомых
•Выплата по акции "Приведи друга" 7000 рублей
•Акции и конкурсы для сотрудников и их семей: отличник АГРОЭКО, рюкзак полный канцтоваров для первоклашек, ежегодный конкурс рисунков, кулинарный конкурс, скидки на посещение медицинских учреждений, покупку абонементов в фитнес клубы и др.
Чем предстоит заниматься
•Проектировать постановку ML-задачи вместе с продуктом и аналитиками: целевая переменная, метрики качества, корректная схема валидации
•Разрабатывать и поддерживать пайплайны подготовки признаков, обучения, оценки и переобучения моделей
•Исследовать и внедрять LLM-подходы: fine-tuning, RAG, агентные сценарии, промпт-инжиниринг
•Подбирать решение под бизнес-ограничения — оценивать качество, стоимость инференса и latency
•Формулировать требования к данным и инфраструктуре и передавать их инженерам данных и MLOps-инженерам
•Определять и контролировать метрики качества данных и признаков на обучении и на инференсе
•Вести документацию по моделям, экспериментам и версиям артефактов, обеспечивать воспроизводимость результатов
•Участвовать во внедрении MLOps-практик: трекинг экспериментов, версионирование моделей и данных, мониторинг дрейфа, feature store
Что необходимо для работы
•Опыт от 3 лет в Data Science / ML с реальными продакшн-задачами
•Классический ML: линейные модели, градиентный бустинг, кластеризация, рекомендательные подходы; корректные схемы валидации и подбор метрик под задачу
•Нейросети: transformers, attention, эмбеддинги; практический опыт обучения и дообучения LLM
•Python и стек: pandas, numpy, scikit-learn, PyTorch, Hugging Face, LangChain / LlamaIndex
•SQL: оконные функции, CTE, работа с большими таблицами и историчностью данных
•RAG: построение поисковых пайплайнов, векторные БД, поисковые индексы
•Инженерные практики: Git, Docker, командная разработка
•Аналитическое мышление: умение разложить бизнес-задачу на гипотезы и проверять их данными
•Коммуникация: способность договариваться с продуктом, аналитикой и инженерией и объяснять сложное простыми словами
•Самостоятельность в освоении новых инструментов и подходов
Будет плюсом: опыт деплоя моделей в продакшн, REST/gRPC API (FastAPI/Flask), сервинг (TorchServe, Triton), CI/CD для ML-пайплайнов. MLOps-инструменты: MLflow, DVC, Airflow / Kubeflow, feature store. Облачные платформы: AWS / GCP / Azure / Yandex Cloud. Big Data: Spark / PySpark, распределённые вычисления. Оценка бизнес-эффекта моделей и участие в A/B-тестах. Специализация в одной из областей: NLP, CV, рекомендательные системы, временные ряды. Английский на уровне чтения технической документации и статей (B1+).
