Middle DS/ML engineer
Summary
Day-to-day: adapt neural models (NLP/CV) for bank tasks, prep datasets, train on GPU, develop LLM/multimodal pipelines, deploy. Core tech: Python, PyTorch/TensorFlow, GPU.
Обязанности:
- Дообучение и адаптация нейросетевых моделей под задачи банка: извлечение данных из документов, классификация и маршрутизация сканов, проверка комплектности документов, задачи компьютерного зрения.
- Подготовка датасетов: организация и контроль разметки, предобработка изображений, аугментация, формирование эталонных наборов для оценки качества.
- Обучение моделей на GPU-инфраструктуре банка, подбор гиперпараметров, работа в условиях ограниченной памяти (LoRA/QLoRA и аналогичные подходы).
Разработка пайплайнов на базе больших языковых и мультимодальных моделей: вызов внешних инструментов, структурированный вывод, многошаговые сценарии, оркестрация нескольких моделей. - Построение и оценка систем поиска по внутренним документам (эмбеддинги, векторный поиск, реранкинг).
- Разработка методики оценки качества моделей и регрессионного тестирования: метрики, эталонные наборы, воспроизводимые эксперименты.
- Вывод моделей в промышленную эксплуатацию совместно с отделом Platform & MLOps, контроль латентности, стоимости запроса и стабильности качества.
- Взаимодействие с бизнес-заказчиками: уточнение постановки задачи, согласование метрик успеха, демонстрация результатов.
- Документирование решений и подготовка отчётности для руководства и контролирующих подразделений.
- Обеспечение работы моделей в контуре банка с учётом требований по локализации данных и информационной безопасности.
- Уверенный Python; опыт работы с фреймворками глубокого обучения (PyTorch или TensorFlow).
- Практический опыт обучения нейросетевых моделей в задачах компьютерного зрения или обработки естественного языка: подготовка данных, обучение, валидация, анализ ошибок.
- Понимание метрик качества и умение построить корректную процедуру оценки, а не полагаться на визуальную проверку.
- Математическая база: линейная алгебра, теория вероятностей и статистика, методы оптимизации.
- Linux, Git, SQL, Docker — на уровне уверенного практического применения.
Опыт работы с удалёнными GPU-серверами, понимание ограничений по видеопамяти. - Умение читать техническую документацию и научные публикации на английском языке и применять описанные подходы на практике.
- Высшее (бакалавр/магистр) в области компьютерных наук, информатики, прикладной математики, автоматизации и управления, инженерии или физики. Профильные сертификаты и подтверждённые проекты (GitHub, соревнования, публикации) рассматриваются как преимущество.
- Официальное трудоустройство согласно ТК РУ.
- Возможность построить карьеру в ведущем банке Узбекистана.
- Офис в Ташкент Сити.
- Достойная, конкурентоспособная оплата труда (обсуждается по итогам собеседования).
- Широкие возможности для профессионального развития (обучение, карьерный рост).
- Гибкое начало дня, сотрудник сам выбирает с 9.00-18.00, 9.30-18.30 или с 10.00-19.00.
- График работы: 5 / 2.