AJ “O'zTMK”
Специалист по Искусственному интеллекту
Не указана
- Работа с большим объемом информации
- Анализ данных
- Русский — C2 — В совершенстве
- Английский — A1 — Начальный
Обязанности:
- Сбор и очистка данных. Поиск источников информации, парсинг, фильтрация шумов, устранение пропусков и подготовка датасетов для обучения моделей.
- Разметка данных. Организация и контроль процесса разметки изображений, текстов или аудиозаписей, написание инструкций для асессоров.
- Feature Engineering. Выделение и генерация значимых признаков из сырых данных для повышения точности предсказаний алгоритмов.
-
Разработка и обучение моделей (ML / DL / LLM)
- Выбор архитектуры. Подбор подходящих алгоритмов машинного обучения или нейросетевых архитектур (трансформеры, сверточные сети) под конкретную бизнес-задачу.
- Обучение и дообучение (Fine-tuning). Тренировка моделей с нуля или адаптация готовых крупных языковых моделей (LLM) и моделей компьютерного зрения под специфику компании.
- Промпт-инжиниринг и RAG. Создание систем генерации с дополненной поисковой выдачей (RAG) для работы ИИ с корпоративными базами знаний без «галлюцинаций».
- Оценка качества. Тестирование моделей на контрольных выборках, расчет метрик точности (Precision, Recall, F1, ROC-AUC) и проведение A/B-тестов.
-
Внедрение и эксплуатация (MLOps)
- Интеграция в продакшн. Упаковка обученных моделей в микросервисы (REST API, gRPC, Docker) для взаимодействия с сайтами, приложениями или внутренними системами.
- Оптимизация производительности. Ускорение работы нейросетей (квантизация, дистилляция) для снижения нагрузки на серверы и уменьшения времени отклика.
- Мониторинг и поддержка. Отслеживание деградации моделей в реальном времени (Data Drift) и регулярное переобучение на свежих данных.
-
Бизнес-анализ и коммуникация
- Перевод бизнес-задач на язык математики. Оценка целесообразности применения ИИ для решения проблем заказчика и выбор критериев успеха.
- Исследования (R&D). Изучение новых научных статей, тестирование свежих open-source инструментов и внедрение передовых практик в работу команды.
-
Базовые технические навыки (Hard Skills)
- Языки программирования. Уверенное владение Python (основной язык разработки в ИИ), знание стандартных библиотек для анализа данных (NumPy, Pandas, Scikit-learn).
- Фреймворки глубокого обучения. Практический опыт работы с PyTorch или TensorFlow для создания, обучения и отладки нейронных сетей.
- Математическая база. Понимание линейной алгебры, теории вероятностей, математической статистики и методов оптимизации (градиентный спуск).
- Работа с базами данных. Знание SQL для извлечения и агрегации данных, а также опыт работы с векторными базами данных (Qdrant, Pinecone, Milvus, pgvector).
- Инструменты разработки. Уверенное владение Git, Docker, ОС Linux и навыками создания API (FastAPI, Flask) для интеграции моделей в продукты.
-
Профильные требования (в зависимости от задач)
- Для работы с текстом и генеративным ИИ (NLP / LLM). Опыт работы с трансформерами (Hugging Face), знание принципов промпт-инжиниринга, построения RAG-систем (LangChain, LlamaIndex) и дообучения моделей (LoRA, QLoRA).
- Для компьютерного зрения (Computer Vision). Знание библиотек OpenCV, опыт работы с архитектурами детекции и сегментации объектов (YOLO, Mask R-CNN, ViT).
- Для классического машинного обучения. Опыт работы с градиентным бустингом (CatBoost, XGBoost, LightGBM), анализа временных рядов и проведения A/B-тестирования.
-
Инженерная культура и MLOps (будет плюсом)
- Ускорение и оптимизация моделей. Знание инструментов оптимизации инференса (ONNX, TensorRT, vLLM) для снижения затрат на видеокарты (GPU).
- Трекинг экспериментов. Опыт использования систем мониторинга обучения и версионирования моделей (MLflow, Weights & Biases, DVC).
-
Образование, опыт и Soft Skills
- Образование. Высшее техническое или математическое образование (прикладная математика, информатика, анализ данных) либо сильное портфолио реализованных проектов.
- Английский язык. Уровень чтения научных статей (arXiv) и технической документации без словаря.
- Бизнес-мышление. Умение переводить абстрактные запросы бизнеса в конкретные ML-метрики и оценивать экономическую выгоду от внедрения ИИ.
- Официальное оформление, конкурентная заработная плата по итогам технического интервью .
- формат работы в современном офисе с гибким началом рабочего дня.
- Неограниченный доступ к мощным GPU-серверам для экспериментов и обучения моделей, современный рабочий ноутбук.
- Сильная команда R&D-инженеров, отсутствие лишней бюрократии и возможность напрямую влиять на развитие ИИ-продуктов компании.