ML-инженер

Мы развиваем интеллектуальное ядро для SaaS-платформы ресторанной аналитики. У нас есть работающий прототип, развернутая инфраструктура и база знаний.

Сейчас мы переходим от MVP к продукту, наша цель создать ассистента, который не просто отвечает на вопросы по
документации, а ведет полноценный диалог, помнит контекст беседы и оперирует "живыми" данными бизнеса.

Основная цель, превратить LLM из чат-бота в аналитического партнера. Ассистент должен понимать контекст, запрашивать актуальные метрики через инструменты (MCP), анализировать их и давать обоснованный ответ, сохраняя историю диалога.

Текущий стек:

• LLM Qwen 3.0 (локальный инференс)
• Выделенный сервер с GPU 2080 Ti
• RAG (Neo4j + ChromaDB)
• MCP для доступа с API аналитики
• Django/LangChain/LangGraph/Pydantic
• MLOps: MLflow, AirFlow
• Окружение: Docker, Linux, Git

Задачи:

Контекст и память:

• Управление контекстным окном: суммаризация истории, выборка релевантных веток диалога
• Реализация механизмов Short/Long-term memory, чтобы ассистент помнил суть беседы

Агенты и инструменты:

• Разработка MCP-сервера и инструментов для запроса метрик ресторанов (выручка, средний чек, фудкост)
• Обучение модели корректному вызову функций на основе намерений пользователя

Оптимизация и дообучение:

• Fine-tuning Qwen 3.0 под специфику ресторанной аналитики
• Оптимизация инференса и потребления VRAM (квантование, батчинг)
• Ведение экспериментов и версионирование моделей в MLflow

Поиск и качество:

• Настройка гибридного поиска: векторы + графовые связи в Neo4j
• Повышение релевантности выдачи при сложных запросах
• Внедрение метрик качества ответов и A/B-тестирование промптов/стратегий retrieval

Поддержка:

• Оркестрация задач обновления знаний и дообучения в AirFlow

• Поддержка существующей модели классификации товаров

Наши ожидания:

• Запускали open-source LLM локально (не только API)
• Строили RAG: поиск + генерация ответа на основе данных
• Делали AI-агентов, которые вызывают функции / работают с API
• Интегрировали модели с БД (SQL, векторные, графовые)
• Реализовывали "умную" память диалога (не просто историю сообщений)
• Python: асинхронность, оптимизация, типизация на уверенном уровне
• Опыт работы с MLOps-инструментами (MLflow, AirFlow)
• Английский: чтение технической документации (B1+)

Будет плюсом:

• Опыт с Neo4j / графовыми базами
• Опты работы с MCP
• Проекты в аналитике, BI или FoodTech

Условия:

• Зарплата: от 200 000 до 280 000 ₽ на руки (обсуждается по итогам собеседования)
• Официальное трудоустройство в аккредитованной IT-компании
• Полная удалёнка + возможность работать из офиса на Петроградке (кофе, печеньки, обеды)
• Работа в режиме R&D: тестирование гипотез, минимум бюрократии
• Техническая свобода: готовы обсуждать и внедрять новые архитектурные и инфраструктурные решения
• Работа в команде разработки SaaS-платформы ресторанной аналитики