ML-инженер

ТРЕБУЕТСЯ СПЕЦИАЛИСТ С ОПЫТОМ УКАЗАННЫМ В ВАКАНСИИ

Обязательные технические требования (Hard Skills)

• Python на высоком уровне: написание чистого, оптимизированного кода, глубокое знание ООП и стандартов разработки. Уверенное владение базовым стеком (Pandas, NumPy, Scikit-learn).
• Опыт с Deep Learning фреймворками: уверенное практическое владение PyTorch (предпочтительно) или TensorFlow для проектирования и обучения нейросетей.
• Работа с данными и базами данных: отличный SQL (написание и оптимизация сложных запросов, агрегация данных, самостоятельный сбор и подготовка датасетов).
• Опыт работы с LLM / Generative AI: практический опыт интеграции больших языковых моделей через API (Claude, OpenAI) или развертывания open-source решений (Qwen, Llama). Понимание архитектуры Transformer, принципов Prompt Engineering и реализации подходов RAG.
• Инженерная база и Production: умение упаковывать разработанные модели в Docker-контейнеры и разворачивать их как стабильные API-сервисы (FastAPI / Flask). Базовое понимание работы брокеров сообщений (Kafka / RabbitMQ) для построения асинхронной архитектуры.
• Математический фундамент: четкое понимание теории вероятностей, математической статистики и линейной алгебры (необходимое для понимания внутренней логики работы алгоритмов и интерпретации результатов).
• Инфраструктурные инструменты: уверенная работа в среде Linux (Bash), Git, практический опыт распределения ресурсов на GPU-инстансах для эффективного обучения моделей.

2. Будет большим плюсом (Желательно)

• MLOps пайплайны: опыт построения и автоматизации MLOps-пайплайнов для управления жизненным циклом моделей (MLflow, ClearML или аналоги).
• Коммерческий опыт: наличие подтвержденного коммерческого опыта разработки в продуктовых IT-командах от 2 лет.

3. Мягкие навыки и продуктовое мышление (Soft Skills)

• Продуктовый подход: способность декомпозировать абстрактную бизнес-задачу или боль проекта на язык конкретных технических ML-гипотез.
• Самостоятельность и R&D: умение читать и разбирать актуальные профильные статьи (papers), быстро находить эффективные open-source решения и адаптировать их под задачи компании.