ML-инженер( НТЦ Вулкан )

02 Августа

Партнерские Вакансии

Компания "НТЦ Вулкан"

Обязанности:

• разработка приложений с использованием LLM (агентные и RAG системы, системы обработки текстов);
• разработка способов оценивания качества работы LLM приложений;
• оптимизация инференса;
• построение web-интерфейсов для MVP и PoC.

Стек:

• разработка: Python 3.10+, FastAPI (+ сопутствующие инструменты), Docker;
• базовый инструментарий: PyTorch, инструменты экосистемы HuggingFace, pandas, scikit-learn, matplotlib;.
• языковые модели: энкодерные и декодерные языковые модели, инференс на vLLM, transformers, Llama.cpp (+ollama);
• хранилища: Elasticsearch, mongo, pgvecto-rs, HellixDB;
• интерфейсы: streamlit, gradio;
• MLOps: DVC.

Требования:

• уверенное знание Python;
• знание основ работы с Linux (shell, файловая система, процессы);
• математическая подготовка: математическая статистика (оценка параметров, их характеристики, доверительные интервалы, бутстрап), основы машинного обучения (регрессоры, классификаторы, деревья, метрики, EDA);
• базовое понимание работы LLM: понимание архитектуры, работа с внутренним состоянием, понимание принципов инференса (KV кэш, стратегии декодирования, структурированный вывод);
• опыт построения языковых моделей: SFT, DPO + RL, LoRA, контрастное обучение, метрики качества;
• опыт работы с RAG системами: понимание принципов функционирования, опыт участие в разработке;
• агентные системы: понимание архитектур и их проблем;
• способы замера качества LLM-приложений: метрики поиска данных, LLM-as-a-judge, сбор и разметка данных для специализированных бенчмарков, принципы работы общих бенчмарков.

Будет плюсом:

• опыт проектирования RAG и агентных систем, наличие опыта работы с LLM фреймворками, такими как Flowise, n8n (low code) или LlamaIndex, Langchain, CrewAI (python);
• опыт работы в других областях ML, таких как обработка аудио (TTS, STT, атрибуция), работа с изображениями (детекция объектов с Yolo, подготовка и разметка датасетов в CVAT), работа с мультимодальными LLM;
• опыт в оптимизации инференса: квантизация, дистиляция, использование эффективных фреймворков (TRT, SGLang), спекулятивный декодинг, continuous batching.