По данной вакансии просим звонить по номеру: 8 (800) 333-30-73.
Обязанности: Проектировать и обучать большие языковые и мультимодальные модели (от 7B параметров): подготовка корпусов, токенизация, pretraining, SFT, RLHF/DPO.
Организовывать распределённое обучение на GPU-кластерах (FSDP, DeepSpeed ZeRO-3, Megatron-LM, tensor/pipeline parallelism), повышать утилизацию вычислительных ресурсов.
Разрабатывать и оптимизировать собственные CUDA/Triton-ядра для обучения и инференса.
Сжимать модели для промышленного инференса: квантизация (INT4/FP8, GPTQ, AWQ), дистилляция, прунинг, спекулятивное декодирование.
Укладываться в жёсткие требования по задержке и стоимости.
Строить RAG-системы и агентные архитектуры промышленного масштаба с оценкой качества, защитой от галлюцинаций и prompt injection.
Разрабатывать системы рекомендаций и ранжирования в реальном времени на нагрузке от 100 000 RPS.
Проектировать ML-платформу компании: feature store, model registry, CI/CD моделей, автоматическое переобучение, мониторинг дрейфа данных и деградации качества.
Проектировать и проводить онлайн-эксперименты: A/B-тесты, causal inference, uplift-моделирование.
Вести исследования на уровне state-of-the-art, воспроизводить и адаптировать свежие научные статьи под задачи бизнеса.
Отвечать за архитектуру ML-направления, проводить code review.
Защищать технические решения перед руководством, оценивать финансовый эффект моделей.
Требования
Высшее образование по математике, прикладной математике, информатике или физике.
Опыт коммерческой разработки ML-систем от 8 лет, из них не менее 3 лет в роли ведущего или главного инженера.
Опыт обучения и дообучения больших языковых моделей в распределённой среде на многоузловых GPU-кластерах.
Экспертное знание Python и C++, опыт написания CUDA-ядер или ядер на Triton.
Глубокое знание PyTorch, включая внутреннее устройство (autograd, compile, распределённые примитивы).
Опыт с инференс-фреймворками: vLLM, TensorRT-LLM, Triton Inference Server, ONNX Runtime.
Глубокие знания математики: линейная алгебра, теория вероятностей, математическая статистика, методы оптимизации, теория информации.
Опыт построения высоконагруженных систем: Kubernetes, Kafka, gRPC, распределённые хранилища, профилирование и оптимизация производительности.
Опыт работы с MLOps-инструментами: MLflow, Kubeflow, Airflow, DVC, Feast, Ray.
Опыт работы с большими данными: Spark, ClickHouse, объёмы от сотен терабайт.
Знание принципов информационной безопасности ML-систем: adversarial-атаки, защита данных, федеративное обучение, дифференциальная приватность.
Английский язык на уровне свободного чтения и написания технической документации и научных статей.
Будет преимуществом: Учёная степень (кандидат наук / PhD) по машинному обучению или смежной области.
Публикации на ведущих конференциях (NeurIPS, ICML, ICLR, ACL, CVPR, KDD).
Опыт pretraining LLM с нуля на крупных кластерах (от 256 GPU).
Вклад в open-source проекты в области ML (мейнтейнер или активный контрибьютор крупных библиотек).
Призовые места в соревнованиях по анализу данных (Kaggle Grandmaster / Master или аналог).
Опыт выступлений на профильных конференциях.
Квалификация
Высокая степень и высокий уровень профессиональной подготовленности