Post #1885

#Москва#офис#fulltime#Lead#NLP#ML#вакансия Вакансия: Lead ML Engineer Уровень: Lead, Senior Компания: Brand Analytics Brand Analytics — лидирующая система анализа социальных медиа для бизнеса. Это SaaS-продукт в области Data Mining, который обрабатывает более миллиарда объектов в режиме реального времени с использованием алгоритмов искусственного интеллекта. Формат работы: фуллтайм офис (м. Библиотека Имени Ленина/м. Арбатская/м. Александровский сад/м. Боровицкая) ЗП: до 450 000 р. net Основной стек технологий: классический ML (CatBoost, Sklearn), нейронки (Torch, Hugging Face, TensorRT, DeepSeed), FastAPI, MLFlow ✅Чем предстоит заниматься: — Работа с потоковыми данными: анализ, языковое моделирование, классификация, кластеризация, анализ тональности и прочего: много текста, много медиа; — Реализовывать новый функционал системы: продуктовые и технические фичи; — Проверка и генерация гипотез для решения задач: поиск нестандартных подходов, совершенствование существующей архитектуры; — Принятие участия в выборе нового инструментария; — Структурирование, планирование и менеджмент: начиная с себя до всего отдела; — Разработка и обучение собственных LLM ❤️ Мы: — Много пишем, изучаем и еще больше экспериментируем; — Самостоятельно разрабатывает обвязки вокруг полученных артефактов: сервисы, инференс и т.д.; — Собственный отдел разметки данных; — Следим за тех.долгом. Умеем и поддерживаем legacy; — Прозрачность: открыто говорим и умеем слушать. Обратная связь, рост, возможность напрямую влиять на продукт и видеть результат своей работы; — Даем технику, комфортный офис, кофе, чай и даже фрукты; — Предлагаем работу из офиса в центре Москве (м. Библиотека им. Ленина, м. Арбатская, м. Александровский сад) — Оформляем в штат IT аккредитованной компании с первого рабочего дня согласно ТК РФ и платим полностью белую заработную плату. ✏️ Чего мы от тебя ждем: — Продуктового опыта: от ресерча до запуска в прод; — Знания классических ML алгоритмов (TF-IDF, кластеризация, классификация и т.п.); — Понимания трансформерных архитектур (MLM, LM), а также методы их обучения; — Умения писать на чистом Python; — Опыта работы с PyTorch; — Опыта работы с FastAPI, MLFlow, AirFlow, Docker; — Желания изучать новое и находить нетипичные решения; — Умения разбираться в чужом коде, оптимизировать и улучшать. ✨ Будет плюсом: — MLOps; — GoLang; — Знание SQL, noSQL; — Автоматизация ML-пайплайнов ✍️Telegram: @musit Не забудьте уточнить, что вы из @datasciencejobs