ML-инженер в лабораторию ИИ
Posted Updated 1
view
Наша лаборатория занимается прикладными исследованиями: мы улучшаем продукты Яндекса и делаем прототипы новых решений. Ищем человека, которому интересно предлагать идеи, проверять гипотезы, разбираться в результатах и пробовать ещё. У нас много пока не решённых задач — присоединяйтесь!Механизм для оценки значимости научных публикаций
Ищем новый способ оценить вклад научных публикаций: просто оценка количества цитирований достаточно грубая. Это может помочь и фильтровать информационный поток (все публикации всё равно не прочитать), и готовить данные для обучения новых поколений языковых моделей. Нейродетектор для текстов, изображений и кода
Учим модели отличать сгенерированные тексты, изображения и код от созданных человеком. При этом генераторы тоже развиваются, поэтому хочется, чтобы детектор справлялся и с новыми моделями. Как этого добиться — один из вопросов, с которыми предстоит разбираться. Автоматизация проверки уровня знаний
Автоматизируем проверку знаний там, где личная проверка один на один с собеседующим/преподавателем невозможна. Здесь много открытых вопросов: как собирать данные, как проверять качество оценки и насколько вообще ей можно доверять. Методология анализа предпочтений LLM
Исследуем, что предпочитают языковые модели, как это измерить и чем можно объяснить результат. Разрабатываем методологию и проверяем её экспериментами. Тут придётся подумать и над самими экспериментами, и над тем, какие выводы из них действительно можно сделать. Больше об ML в Яндексе — в канале Yandex for ML* Хорошо понимаете современный ML и его основы. Огромная LLM нужна далеко не для каждой задачи, хотя иногда очень хочется * Сами проходили основные этапы решения ML-задач: сбор и предобработку данных, обучение, валидацию, деплой, дообучение и поддержку * Доводите идеи до работающего решения. Jupyter-ноутбуки мы тоже когда-то использовали, но это не считается * Работали с AI-ассистентами: Cursor, Claude Code, Codex и другими. Понимаете, что им можно поручить, где они могут ошибаться и как проверять результат * Уверенно пишете на Python. Да, с появлением агентов это всё ещё нужно :) * Готовы самостоятельно искать решения и предлагать, что ещё стоит попробовать * Хотите развиваться в ИИ и разбираться в новом* Работали с Linux и знаете что-то, кроме ls и cd :) * Умеете выходить из Vim — это приветствуется! * Пользовались Docker * Настраивали CI/CD * Писали научные статьи Это дополнительные плюсы, а не обязательные требования. Поможем разобраться. Агенты тоже помогут, но результат всё равно будем проверять ;)
Ищем новый способ оценить вклад научных публикаций: просто оценка количества цитирований достаточно грубая. Это может помочь и фильтровать информационный поток (все публикации всё равно не прочитать), и готовить данные для обучения новых поколений языковых моделей. Нейродетектор для текстов, изображений и кода
Учим модели отличать сгенерированные тексты, изображения и код от созданных человеком. При этом генераторы тоже развиваются, поэтому хочется, чтобы детектор справлялся и с новыми моделями. Как этого добиться — один из вопросов, с которыми предстоит разбираться. Автоматизация проверки уровня знаний
Автоматизируем проверку знаний там, где личная проверка один на один с собеседующим/преподавателем невозможна. Здесь много открытых вопросов: как собирать данные, как проверять качество оценки и насколько вообще ей можно доверять. Методология анализа предпочтений LLM
Исследуем, что предпочитают языковые модели, как это измерить и чем можно объяснить результат. Разрабатываем методологию и проверяем её экспериментами. Тут придётся подумать и над самими экспериментами, и над тем, какие выводы из них действительно можно сделать. Больше об ML в Яндексе — в канале Yandex for ML* Хорошо понимаете современный ML и его основы. Огромная LLM нужна далеко не для каждой задачи, хотя иногда очень хочется * Сами проходили основные этапы решения ML-задач: сбор и предобработку данных, обучение, валидацию, деплой, дообучение и поддержку * Доводите идеи до работающего решения. Jupyter-ноутбуки мы тоже когда-то использовали, но это не считается * Работали с AI-ассистентами: Cursor, Claude Code, Codex и другими. Понимаете, что им можно поручить, где они могут ошибаться и как проверять результат * Уверенно пишете на Python. Да, с появлением агентов это всё ещё нужно :) * Готовы самостоятельно искать решения и предлагать, что ещё стоит попробовать * Хотите развиваться в ИИ и разбираться в новом* Работали с Linux и знаете что-то, кроме ls и cd :) * Умеете выходить из Vim — это приветствуется! * Пользовались Docker * Настраивали CI/CD * Писали научные статьи Это дополнительные плюсы, а не обязательные требования. Поможем разобраться. Агенты тоже помогут, но результат всё равно будем проверять ;)