Machine Learning Engineer

О нас:

В Nace AI мы переопределяем, как работают профессиональные услуги, предоставляя суверенную специализированную разведку. Как компания, занимающаяся прикладными исследованиями и разработкой продуктов, мы оснащаем предприятия полным стеком ИИ для создания индивидуальных, безопасных интеллектуальных решений, адаптированных к их уникальным бизнес-потребностям.

Наши флагманские платформы - Nace Data Intelligence и Nace SLM Cloud - использующие передовые малые языковые модели (SLM) и нашу динамическую метамодельную структуру, обеспечивают полную сквозную автоматизацию бизнес-процессов. Результат - трансформационная рентабельность инвестиций (ROI): фирмы, предоставляющие профессиональные услуги, использующие Nace AI, в настоящее время возвращают 1000 часов на каждое взаимодействие с клиентом, значительно сокращая накладные расходы и ускоряя выполнение работ.

Работа, которую мы выполняем, оказывает значительное влияние на различные отрасли, и каждый новый сотрудник Nace AI играет критически важную роль в формировании траектории развития компании. Это уникальная возможность присоединиться к компании с высокими амбициями в области ИИ на раннем этапе и напрямую влиять на ее рост.

Если вас увлекает создание команды мирового класса в области ИИ с нуля, мы будем рады пообщаться.

Обзор роли:

В качестве инженера по машинному обучению вы будете играть центральную роль в преобразовании передовых исследований машинного обучения в масштабируемые, готовые к производству решения. Вы будете тесно сотрудничать с кросс-функциональными командами для выявления возможностей, где ML может повысить ценность продукта, проектировать надежные системы, ориентированные на модели, и обеспечивать их бесшовную интеграцию в реальные приложения. Роль требует сильного баланса между теоретическим пониманием и инженерным исполнением, с упором на создание надежных, поддерживаемых и оказывающих большое влияние функций на базе ИИ, которые соответствуют стратегическим целям Nace.AI.

Ключевые обязанности:

• Проектирование, создание и поддержка сквозных ML-систем, включая конвейеры синтетических данных, обучение моделей, отладку и оценку производительности.
• Тонкая настройка больших языковых моделей (LLM) и реализация методов метаобучения для повышения обобщающей способности и эффективности моделей.
• Улучшение существующих моделей Nace.AI путем включения достижений из последних ML-исследований.

Квалификация:

• 3+ года практического опыта создания и развертывания систем машинного обучения в производственных средах.
• Практический опыт обучения и тонкой настройки больших языковых моделей (LLM) и визуально-языковых моделей (VLM), включая практическую работу с предварительным обучением, инструктивной настройкой и методами выравнивания (GRPO, RLHF/DPO/PPO).
• Практический опыт работы с моделями глубокого обучения, особенно с Трансформерами.
• Способность переводить передовые исследования из статей в чистый, готовый к производству код (Paper to Code).
• Подтвержденный опыт масштабирования инфраструктуры инференса для LLM/VLM, включая экспертизу в фреймворках обслуживания моделей, таких как vLLM, TGI.
• Отличное знание Python с большим опытом создания существенных проектов.
• Прочная основа в фундаментальных концепциях информатики (структуры данных, алгоритмы, шаблоны проектирования).
• Степень бакалавра в области CS или смежной технической области.
• Надежный опыт работы с ML-фреймворками и библиотеками (PyTorch, TensorFlow).
• Самостоятельный сотрудник, комфортно чувствующий себя в быстро меняющейся, динамичной среде.

Предпочтительная квалификация:

• 5+ лет отраслевого опыта в области инженерии машинного обучения с опытом вывода в масштабе систем на основе LLM.
• Степень магистра/доктора в области CS или смежной технической области.
• Знакомство со стеками обработки данных, такими как Spark и Airflow.
• Опыт многоузлового GPU-обучения.
• Автор в проектах ML с открытым исходным кодом.
• Глубокое знание линейного программирования.
• Опыт в продвинутой постобработке NLP и мультимодальных данных (например, дистилляция моделей, квантование, оптимизация развертывания).
• Опыт в оптимизации времени инференса, глубокое понимание оптимизаций обслуживания LLM для LLM/VLM.
• Практический опыт работы с методами квантования (AWQ, GPTQ, FP8/GGUF).