О роли

Эта роль находится на стыке прикладных исследований и инженерии, включая создание ключевых возможностей ИИ и обеспечение их надежной реализации. Вы будете напрямую влиять на формирование моделей, используемых в наших продуктах, а также на пользовательский опыт и бизнес-ценность, которые они создают.

Чем вы будете заниматься

• Дообучение, дистилляция и обучение с подкреплением
  • Создание учебных сред, которые повышают качество синтетических данных и обеспечивают высококачественные сигналы вознаграждения как для обучения с внешней, так и с внутренней политикой.
  • Проектирование поведения моделей, оптимизированных для интерпретируемости и превосходного пользовательского опыта.
  • Обучение агентных моделей, которые автономно взаимодействуют со сложными структурированными и неструктурированными средами, пишут и прототипируют код, а также работают с мультимодальными входными данными.
  • Использование наилучших инструментов для задачи — SFT на синтетических данных, дистилляция на основе внутренней политики, RL или любая их комбинация для снижения затрат на специализированный интеллект.
  • Владение конвейерами бенчмаркинга — сбор высококачественных наборов данных и измерение влияния различных параметров или методологий обучения.
• Инженерные принципы
  • Инженеры по ИИ — это инженеры: создание кода, готового к промышленной эксплуатации, и владение сквозным процессом работы с данными, обучением, бенчмаркингом и внедрением.
  • Архитектура масштабируемых стратегий вывода, максимизирующих эффективность вычислений.
  • Поддержка решений для обеспечения стабильной и надежной работы для клиентов.
  • Тесное сотрудничество с инженерной командой для проектирования важных точек взаимодействия ИИ и сервисов продукта, таких как интерфейсы, отслеживание вывода, создание контрольных точек, сохранение данных и кэширование.
  • Вклад в инженерную культуру: наставничество для коллег, развитие паттернов, повышение планки качества кода, стратегии тестирования и документации.
• Инструменты и ресурсы
  • Работа с передовыми моделями с открытыми весами и внутренними фреймворками для обучения.
  • Сохранение на переднем крае открытых исследований и инструментов — быстрое прототипирование и валидация новых подходов.
  • Вклад во внутренние инструменты для вывода, обучения, оркестрации и генерации данных.
• Гибкие навыки и подход
  • Коммуникация идей и объяснение решений — даже для нетехнической аудитории.
  • Автономное создание демонстраций и презентация работы всей компании.
  • Разбиение неоднозначных проблем на четкую техническую область — мышление за пределами текущих бизнес-потребностей и учет будущей масштабируемости в каждом проекте.
  • Проактивное сотрудничество с членами команды и поиск всех ресурсов, необходимых для решения текущей задачи.

Квалификация

Наш идеальный кандидат обладает всем следующим:

• Сильный опыт как в машинном обучении, так и в инженерии
• Отличные коммуникативные навыки и быстрое понимание описаний проблем
• Высокая самостоятельность; готовность предлагать, прототипировать и отвечать за решения
• Опыт дообучения больших моделей (SFT, дистилляция, RL)
• Опыт развертывания моделей в промышленном масштабе
• Предыдущая работа с системами на базе контейнеров (Docker, Kubernetes и т.д.)
• Предыдущий вклад в открытые исследования или инфраструктуру ИИ
• Глубокое знакомство с последними исследованиями в области ИИ и инструментарием с открытым исходным кодом
• Опыт поставки сложного программного обеспечения и владение кодом для промышленной эксплуатации

Будет преимуществом

• Опыт оптимизации производительности архитектуры вывода для максимальной пропускной способности (vLLM, SGlang, llama.cpp)
• Подробные знания фреймворков для RL (верификаторы, ART, prime-rl, trl)
• Публикации моделей, блог-постов или научных работ

Показатели успеха

• Бенчмарки и пользовательские метрики: Качество модели существует не только в лаборатории — как бенчмарки, так и реальные пользовательские метрики критически важны для оценки качества модели.
• Надежность: Минимизация галлюцинаций, максимизация времени бесперебойной работы и согласованности вывода, обеспечение высокой точности ожидаемых выходных данных модели.
• Интерпретируемость: Мы не создаем ИИ как «черный ящик» — все модели должны уметь объяснять процесс рассуждений, разбивать выполнение кода, ссылаться на источники и достигать согласованных решений.
• Влияние: Улучшение внутренних фреймворков и инструментов, развитие технической культуры, обучение команд и обмен знаниями.
• Сотрудничество: Ответственность за проекты без микроуправления, инициатива в поиске и предложении помощи везде, где это возможно.