Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
Россия3 дня назад
180 000 – 210 000 RUB
в месяц
Грейд
Senior
Формат работы
Удалённо
Тип занятости
Полная занятость
Письмо на почту или сообщение рекрутеру в Telegram
Часть условий скрыта по требованиям закона о занятости
О проекте: переход системы с графа сценариев на LLM-based диалог с оптимизацией голосового пайплайна
— Поэтапный перевод системы с графа сценариев и скиллов на управляемый LLM-based диалог — Дебаг голосового пайплайна (поиск причин high latency, галлюцинаций LLM, проблем с передачей аудио, графовых ошибок) — Оперативное принятие архитектурных решений и их самостоятельная реализация в коде — Поддержка и быстрая отладка few-shot классификации сценариев на базе Qwen и классификаторов на BERT — Учёт краевых случаев, исправление ошибочных срабатываний интентов — Finetuning локальных LLM (извлечение сущностей, удерживание инструкций) — Интеграция и поддержка ASR на базе GigaAMv2 (отладка качества распознавания, работы VAD) — Дообучение и настройка инфереса собственных и опенсорсных TTS и систем клонирования голоса
Грейд: Senior — Экспертиза в NLP и LLM: практический опыт с LLM/SLM (Few-shot learning, prompt engineering) и BERT (классификация сценариев и интентов) — Практический опыт finetuning LLM (PEFT, LoRA/QLoRA) под узкие прикладные задачи — Уверенный дебаг LLM: умение быстро понять, почему модель ответила не так, и исправить это промптом, гиперпараметром или файнтюном — Опыт дообучения и оптимизации TTS-моделей — Опыт работы и интеграции современных ASR-систем (в частности, GigaAMv2) — Опыт работы как с графовыми/сценарийными диалоговыми движками, так и с LLM-агентами — Высокая скорость диагностики проблем в инференсе, локализации багов и принятия инженерных решений — Уверенное владение Python (PyTorch, huggingface, фреймворки инференса) — Уверенное владение Go — Опыт работы с оптимизацией инференса под low-latency (vLLM, TensorRT-LLM, Triton Inference Server, ONNX Runtime) — Практика работы со потоковым аудио в реальном времени (streaming ASR/TTS, gRPC-контракты) — Типизация в Go, базовые типы (строки, числа, слайсы и мапы) — Примитивы синхронизации и конкуренция (синхронизация горутин, работа с каналами) — Указатели и работа с ними — Observability
🤝 Требования Soft Skills — Оперативность в принятии архитектурных решений — Самостоятельность в реализации решений — Высокая скорость диагностики проблем
— Понимание SOLID, DRY и KISS паттерны — Базовое понимание дизайна сервисов на Go
Занятость: Full time Вилка: 180-210
Локация: РФ Формат работы: удалённо Часовой пояс: МСК
Грейд: Senior Занятость: Full time Вилка: 180-210
Локация: РФ
Формат работы: удалённо Часовой пояс: МСК
О проекте: переход системы с графа сценариев на LLM-based диалог с оптимизацией голосового пайплайна
🎯 Задачи — Поэтапный перевод системы с графа сценариев и скиллов на управляемый LLM-based диалог — Дебаг голосового пайплайна (поиск причин high latency, галлюцинаций LLM, проблем с передачей аудио, графовых ошибок) — Оперативное принятие архитектурных решений и их самостоятельная реализация в коде — Поддержка и быстрая отладка few-shot классификации сценариев на базе Qwen и классификаторов на BERT — Учёт краевых случаев, исправление ошибочных срабатываний интентов — Finetuning локальных LLM (извлечение сущностей, удерживание инструкций) — Интеграция и поддержка ASR на базе GigaAMv2 (отладка качества распознавания, работы VAD) — Дообучение и настройка инфереса собственных и опенсорсных TTS и систем клонирования голоса
🛠️ Требования Hard Skills — Экспертиза в NLP и LLM: практический опыт с LLM/SLM (Few-shot learning, prompt engineering) и BERT (классификация сценариев и интентов) — Практический опыт finetuning LLM (PEFT, LoRA/QLoRA) под узкие прикладные задачи — Уверенный дебаг LLM: умение быстро понять, почему модель ответила не так, и исправить это промптом, гиперпараметром или файнтюном — Опыт дообучения и оптимизации TTS-моделей — Опыт работы и интеграции современных ASR-систем (в частности, GigaAMv2) — Опыт работы как с графовыми/сценарийными диалоговыми движками, так и с LLM-агентами — Высокая скорость диагностики проблем в инференсе, локализации багов и принятия инженерных решений — Уверенное владение Python (PyTorch, huggingface, фреймворки инференса) — Уверенное владение Go — Опыт работы с оптимизацией инференса под low-latency (vLLM, TensorRT-LLM, Triton Inference Server, ONNX Runtime) — Практика работы со потоковым аудио в реальном времени (streaming ASR/TTS, gRPC-контракты) — Типизация в Go, базовые типы (строки, числа, слайсы и мапы) — Примитивы синхронизации и конкуренция (синхронизация горутин, работа с каналами) — Указатели и работа с ними — Observability
🤝 Требования Soft Skills — Оперативность в принятии архитектурных решений — Самостоятельность в реализации решений — Высокая скорость диагностики проблем
➕ Будет плюсом — Понимание SOLID, DRY и KISS паттерны — Базовое понимание дизайна сервисов на Go
Направить CV
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 283 000 до 428 000
