Эксперт по машинному обучению

Чем предстоит заниматься:

• Обеспечивать разработку, внедрение и развитие корпоративных решений на базе больших языковых моделей для автоматизации бизнес-процессов, повышения производительности сотрудников, улучшения качества принятия решений и создания измеримого бизнес-эффекта для компаний Холдинга;
• Участвовать в полном цикле разработки AI/ML-решения: от гипотез и прототипов до запуска в production и последующего мониторинга;
• Разрабатывать, тестировать и внедрять end-to-end решения на базе LLM: диалоговых агентов, RAG и LLM workflows;
• Оптимизировать производительность, качество и стоимость использования LLM в продуктовых сценариях;
• Вести техническую документацию, участвовать в оценке инициатив и консультировать бизнес юниты по вопросам применения LLM.

Мы предлагаем:​​​​

• Возможность присоединиться к профессиональной, высоко мотивированной и результативной команде из 200+ сотрудников R1, перспективы карьерного роста;
• Официальное трудоустройство в аккредитованный IT-актив компании ООО "Эр-1", оплачиваемые отпуск, командировки, больничные;
• Корпоративный зарплатный проект для сотрудников со специальными выгодными предложениями в Урал ФД Банке;
• Работу в офисе в одном из городов присутствия R1 на ваш выбор - Москва, Санкт-Петербург, Пермь;
• Рыночную заработную плату по результатам собеседования;
• ДМС со стоматологией после испытательного срока, 100% компенсацию больничного;
• Комфортные офисные условия;
• Корпоративные программы от наших партнеров;
• Бонусное подключение к телеком-услугам Дом.ru по тарифу «Сотрудник»;
• Яркую корпоративная жизнь и дружелюбную атмосферу в коллективе профессионалов!

Мы ждём от кандидатов:

• Наличие высшего образования (математическое и компьютерное моделирование, ИТ и т.п.)
• Опыт работы на позиции Data Scientist, ML инженер, LLM инженер (от 4-х лет/уровень Senior);
• Опыт работы с машинным обучением, фреймворками и инструментами, связанными с LLM;
• Опыт разработки высоконагруженных AI/ML сервисов (с фокусом на LLM);
• Знание популярных библиотек и фреймворков для машинного обучения (например, TensorFlow, PyTorch, Scikit-learn, PEFT, vLLM);
• Понимание архитектур LLM и опыт файнтюнинга под продуктовые задачи (SFT, PEFT, RLHF, LoRA, PPO, DPO, GRPO);
• Знание LLM-фреймворков (langchain, langgraph или аналоги) и подходов к разработке AI-агентов (function calling, structured output, context engineering);
• Знание методов оценки качества LLM-решений;
• Знание языков программирования: Python, SQL, PySpark;
• Глубокое понимание математических основ, включая статистику и линейную алгебру.