ML/DL Engineer (CV / VLM / LLM, AI-агенты)

Ищем сильного ML/DL инженера (Middle / Middle+) с релевантным коммерческим опытом на удалёнку, частичная или полная занятость (20-40 часов в неделю).

Почасовая ставка, окончательная ЗП обсуждается с каждым кандидатом индивидуально, после собеседования (а также корпоративные бонусы, среди которых квартальные премии, путешествия за счёт компании и т. д.).

Стек: Python, PyTorch, HuggingFace (transformers, peft, trl), OpenCV, ONNX Runtime / TensorRT, vLLM/Llama.cpp, LangChain / LangGraph, ASR, STT, TTS, FastAPI, Docker, Git, MLflow / W&B.

О задачах

Мы развиваем три направления:

• VLM-basedCV (OCR , видеообработка) - Двигаемся от классического пайплайна (detection → recognition → post-processing) к end-to-end VLM (Qwen-VL, InternVL, Donut-подобные архитектуры), включая дообучение под домены.

• LLM/AI-агенты - агентные пайплайны поверх LLM: tool calling, RAG, multi-step reasoning, оркестрация на LangChain / LangGraph, оценка качества и надёжности агентов.

Кого ищем

MLDL инженера, который знаком основными нейросетевыми архитектурами в CV или NLP, работал с transformer моделями, локальным обучением и инференсом VLM или LLM, построением AI-агентов с RAG и tool-calling. Желателен опыт в пересечении CV / VLM / NLP.

Задачи

• Дообучать VLMLLM под домензадачу, SFT, LoRA/QLoRA, подбор инструкционного формата, борьба с галлюцинациями в полях, работа с препост процессингом видео изображений.

• Сравнивать, строить метрики и обосновывать выбор: классический OCR-пайплайн vs end-to-end VLM - по качеству, стоимости инференса и latency.

• Проектировать и внедрять агентные пайплайны на LangGraph: tool calling, роутинг, memory, retrieval, обработка отказов и retry-логика; строить систему оценки качества агентов (в т.ч. LLM-as-a-judge и regression-наборы).

• Оптимизировать инференс: квантизация, ONNX/TensorRT, батчинг, vLLMLlama.cpp, укладываться в бюджеты по latency и GPU.

• Выкатывать модели в сервисы (FastAPI/gRPC, Docker), настраивать мониторинг качества и деградаций.

Что необходимо

• От 3 лет разработки ML/DL-решений на Python, PyTorch или обучения моделей для CVNLP задач, уверенная работа с LinuxDocker.

• Модели вашей разработки/обучения, доведённые до продакшена (или до сопоставимого по требованиям внутреннего сервиса) - умеете построить и объяснить метрики.

• Опыт минимум в одном из направлений на глубоком уровне и понимание смежных:

• CV: детекция/сегментация/распознавание, работа с «грязными» реальными изображениями, аугментации, доменный сдвиг;

• VLM: дообучение мультимодальных моделей, подготовка instruction-датасетов, оценка качества генерации;

• NLP/ LLM: fine-tuning и/или промпт-инжиниринг под задачу, RAG, оценка качества генеративных систем.

• Уверенное владение экосистемой HuggingFace (transformers, datasets, peft, accelerate), понимание, что происходит под капотом.

• Понимание архитектур трансформеров и мультимодальных моделей: attention, cross-attention, визуальные энкодеры, проекционные слои.

• Практика распределённого/эффективного обучения: mixed precision, gradient accumulation, DDP или аналог; умение уложиться в имеющиеся GPU.

Будет плюсом

• Продовый опыт с OCR / document understanding (LayoutLM, Donut, TrOCR, PaddleOCR).

• Дообучение открытых VLM (Qwen-VL, InternVL, LLaVA, Pixtral) под домен.

• Observability и трассировка агентов: LangSmith, Langfuse; построение офлайн- и онлайн-оценки.

• Оптимизация и деплой LLM: vLLM/Llama.cpp, TensorRT-LLM, квантизация (GPTQ/AWQ), KV-cache.

• Опыт построения пайплайнов разметки и активного обучения.

• желателен опыт с LangChain и LangGraph или других фреймворках для AI-агентов: собирали и поддерживали многошаговых агентов - проектировали граф состояний и инструменты, разбирались с зацикливанием и деградацией качества, понимаете ограничения фреймворка и когда от него стоит отказаться в пользу собственной оркестрации.

Условия

• гибкий график работы

• работа над большим проектом с выходом на мировой рынок

• возможность профессиональной реализации, роста и получения уникального опыта в быстрорастущем бизнесе

• сильные коллеги

• высокий уровень доверия со стороны руководства и плоская иерархия

• конкурентоспособная заработная плата и премиальные

• отсутствие бюрократии и корпоративных рамок

• возможности обучения и карьерного роста

• возможность посещать конференции за счет компании

• корпоративные мероприятия и поездки за счет компании