Machine learning Engineer
Posted Updated 40
views
Summary
Machine Learning Engineer at Джетлин develops AI assistants and functional agents as PoCs within an AI incubator: NLP/LLM work with RAG, function calling, BERT-like models and quantization, deployed on GPU infrastructure. Core stack: Python, Kubernetes, Airflow, Redis, MLflow, KServe, Prometheus/Grafana.
Навыки: Kubernetes, Apache Airflow, Redis, Prometheus, LLM, NLP, A/B тестирование, Python. Специализации: ML разработчик.
Обязанности:
Разработка ИИ ассистентов, функциональных агентов в рамках проверки PoC для ИИ идей. входящих в ИИ инкубатор:
- практические познания в NLP,
- запуск на гпу\цпу
- контенейризация
- jenkins
- векторные базы и эмбедеры для RAG
- function calling
- kserve
- bert образные модели
- работа с эвристиками
- опыт в квантинизации ллм
Требования:
- Понимание принципов проектирования AI-агентов: управление состоянием и контекстом, выбор инструментов, контроль уровня автономности и human-in-the-loop.
- Глубокое понимание основных принципов машинного обучения: подготовка данных и признаков, выбор моделей, регуляризация, переобучение, data leakage, интерпретация результатов.
- Знание математической статистики: проверка гипотез, доверительные интервалы, дизайн и анализ A/B-тестов.
- Понимание принципов оценки качества ML-систем: offline- и online-метрики, построение валидации, оценка бизнес-эффекта, мониторинг качества моделей и данных.
- Опыт работы хотя бы в одном из направлений:
- классическое машинное обучение;
- временные ряды и прогнозирование;
- рекомендательные системы, поиск и ранжирование;
- NLP, LLM и генеративный AI.
- Уверенное владение Python и основными библиотеками для анализа данных и машинного обучения: pandas или polars, NumPy, scikit-learn, CatBoost / LightGBM / XGBoost, PyTorch или аналогичные инструменты.
- Умение писать поддерживаемый production-код: модульная архитектура, тестирование, логирование, документация, работа с Git и участие в code review.
- Уверенное владение SQL
- Опыт построения evals для LLM-систем, оценки качества ответов, контроля галлюцинаций и мониторинга поведения системы.
- Понимание рисков prompt injection, некорректного tool calling, утечки данных и чрезмерных прав доступа агента.
- Опыт работы с API языковых моделей, Hugging Face и одним из orchestration-фреймворков.
- Умение оценивать стоимость, latency и масштабируемость LLM-решений.
- Опыт работы в e-commerce, retail или других продуктовых highload-системах.
- Опыт работы с Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana.
- Опыт эксплуатации GPU-инфраструктуры и оптимизации inference.
- Опыт fine-tuning или адаптации LLM, включая LoRA / PEFT.
- Опыт проектирования agentic workflows или multi-agent-систем.
- Понимание принципов информационной безопасности, privacy и работы с персональными данными.Обязательные требования• Владение Python и основными библиотеками для анализа данных и машинного обучения: pandas или polars, NumPy, scikit-learn, CatBoost / LightGBM / XGBoost, PyTorch или аналогичные инструменты.
- Владение SQL.
- Опыт работы в e-commerce, retail или других продуктовых highload-системах.
- Опыт работы с Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana.