Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
Россия4 дня назад
Грейд
Middle
Формат работы
Удалённо
Тип занятости
Полная занятость
Письмо на почту или сообщение рекрутеру в Telegram
Часть условий скрыта по требованиям закона о занятости
крупная телекоммуникационная компания. Проект по созданию и развитию интеллектуальных голосовых ассистентов и диалоговых систем. 🧩 О роли: ищем сильного ML/NLP инженера, который возьмет на себя эволюцию диалоговой системы: поэтапный перевод с графовых сценариев на управляемый LLM-based диалог. Это роль для практика, способного самостоятельно принимать архитектурные решения, глубоко дебажить голосовой пайплайн (от ASR до TTS) и оптимизировать инференс для работы в реальном времени.
— Поэтапный перевод системы с графа сценариев и скиллов на управляемый LLM-based диалог — Дебаг голосового пайплайна: поиск и устранение причин high latency, галлюцинаций LLM, проблем с передачей аудио и графовых ошибок — Оперативное принятие архитектурных решений и их самостоятельная реализация в коде — Поддержка и отладка few-shot классификации сценариев (Qwen) и классификаторов на BERT. Учет краевых случаев, исправление ошибочных срабатываний интентов — При необходимости — finetuning локальных LLM (извлечение сущностей, удерживание инструкций) — Интеграция и поддержка ASR на базе GigaAMv2 (отладка качества распознавания, работы VAD) — Дообучение и настройка инференса собственных и опенсорсных TTS, систем клонирования голоса
Грейд: Middle+ / Senior. 📌 Важно: рассматриваются кандидаты с релевантностью опыта от 85% (аутстаффинговая позиция). NLP и LLM (КРИТИЧНО!): — Уверенный опыт работы 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 причину некорректного ответа и исправить это промптом, гиперпараметром или файнтюном Голосовой стек (КРИТИЧНО!): — Опыт дообучения и оптимизации TTS-моделей — Опыт работы и интеграции современных ASR-систем (в частности, GigaAMv2) — Практика работы с потоковым аудио в реальном времени (streaming ASR/TTS, gRPC-контракты) Backend и Инференс (КРИТИЧНО!): — Уверенное владение Python (PyTorch, huggingface, фреймворки инференса) — Знание Go (GoLang): базовое понимание дизайна сервисов, SOLID/DRY/KISS, типизация, примитивы синхронизации и конкуренция (горутины, каналы), указатели, observability — Опыт работы с оптимизацией инференса под low-latency (vLLM, TensorRT-LLM, Triton Inference Server, ONNX Runtime) Архитектура и дебаг: — Опыт работы как с графовыми/сценарийными диалоговыми движками, так и с LLM-агентами — Высокая скорость диагностики проблем в инференсе и локализации багов 💡 Будет весомым плюсом: — Опыт работы с gRPC — Умение настроить инфраструктуру, k8s/inventory, глубокое понимание работы TCP
Ставка: обсуждается. Загрузка: Full-time (полная занятость). Формат: Удалённо. Локация: РФ / РФ.
ID вакансии: 3481_MF Ставка: обсуждается. Грейд: Middle+ / Senior. Загрузка: Full-time (полная занятость). Формат: Удалённо. Локация: РФ / РФ. ⏳ Срок актуальности вакансии: до 11.11.2026. 📌 Важно: рассматриваются кандидаты с релевантностью опыта от 85% (аутстаффинговая позиция). 🏢 О проекте: крупная телекоммуникационная компания. Проект по созданию и развитию интеллектуальных голосовых ассистентов и диалоговых систем. 🧩 О роли: ищем сильного ML/NLP инженера, который возьмет на себя эволюцию диалоговой системы: поэтапный перевод с графовых сценариев на управляемый LLM-based диалог. Это роль для практика, способного самостоятельно принимать архитектурные решения, глубоко дебажить голосовой пайплайн (от ASR до TTS) и оптимизировать инференс для работы в реальном времени. 🚀 Ключевые задачи: — Поэтапный перевод системы с графа сценариев и скиллов на управляемый LLM-based диалог. — Дебаг голосового пайплайна: поиск и устранение причин high latency, галлюцинаций LLM, проблем с передачей аудио и графовых ошибок. — Оперативное принятие архитектурных решений и их самостоятельная реализация в коде. — Поддержка и отладка few-shot классификации сценариев (Qwen) и классификаторов на BERT. Учет краевых случаев, исправление ошибочных срабатываний интентов. — При необходимости — finetuning локальных LLM (извлечение сущностей, удерживание инструкций). — Интеграция и поддержка ASR на базе GigaAMv2 (отладка качества распознавания, работы VAD). — Дообучение и настройка инференса собственных и опенсорсных TTS, систем клонирования голоса. 🎯 Обязательные требования (Hard Skills): NLP и LLM (КРИТИЧНО!): — Уверенный опыт работы 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 причину некорректного ответа и исправить это промптом, гиперпараметром или файнтюном. Голосовой стек (КРИТИЧНО!): — Опыт дообучения и оптимизации TTS-моделей. — Опыт работы и интеграции современных ASR-систем (в частности, GigaAMv2). — Практика работы с потоковым аудио в реальном времени (streaming ASR/TTS, gRPC-контракты). Backend и Инференс (КРИТИЧНО!): — Уверенное владение Python (PyTorch, huggingface, фреймворки инференса). — Знание Go (GoLang): базовое понимание дизайна сервисов, SOLID/DRY/KISS, типизация, примитивы синхронизации и конкуренция (горутины, каналы), указатели, observability. — Опыт работы с оптимизацией инференса под low-latency (vLLM, TensorRT-LLM, Triton Inference Server, ONNX Runtime). Архитектура и дебаг: — Опыт работы как с графовыми/сценарийными диалоговыми движками, так и с LLM-агентами. — Высокая скорость диагностики проблем в инференсе и локализации багов. 💡 Будет весомым плюсом: — Опыт работы с gRPC. — Умение настроить инфраструктуру, k8s/inventory, глубокое понимание работы TCP.
📲 Контакт для отклика: (При отклике, пожалуйста, сразу присылайте актуальное резюме. ⚠️ В сопроводительном сообщении обязательно сделайте акцент на вашем опыте работы с голосовым стеком (ASR/TTS), LLM-диалогами и связкой Python + Go. Пишите ID вакансии: 3481_MF)
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 262 000 до 380 000
