Чем предстоит заниматься
- Стандартизировать ML- и LLM-проекты: шаблоны, документацию, интерпретируемость, IaC
- Выстраивать CI/CD и автоматизировать путь от прототипа до продакшена
- Настраивать мониторинг моделей, контроль сдвигов и повторное обучение
- Поддерживать human-in-the-loop-циклы и A/B-тесты
- Оптимизировать инференс для self-hosted LLM
- Развивать AutoML-фреймворк для обнаружения угроз
- Интегрировать новые пайплайны
- Развивать Feature Store, среду разработки LLM-агентов, RAG- и memory-системы
- Вести реестр промптов и тулов, шаблонизировать разные типы LLM-приложений
Требования
- У вас есть опыт проектирования Micro-Batch и Real-Time ML-систем
- Разбираетесь в production-паттернах: Shadow Mode Deployments, Dark Launch, Canary Deploy, A/B-тесты, Circuit Breakers
- Понимаете, как выстраивать CI/CD-пайплайны и процессы перенастройки систем
- Умеете выстраивать мониторинг для ML- и LLM-систем
- Разбираетесь в ключевых ML-алгоритмах и подходах
- Понимаете, как и когда применять Anomaly Detection и Binary Classification
- Знакомы с AutoML-техниками
- Знаете MLOps-практики
- Умеете подключать системное мышление при построении ML- и LLM-решений
- Понимаете подходы к построению моделей без разметки, с малым количеством разметки и с поступающей разметкой: Targeted Anomaly Detection, Active Learning, Weak Supervision, Incremental Learning
- Пишете чистый и оптимальный Python-код, умеете работать с ресурсами
- Понимаете, что такое Feature Store, и умеете его реализовывать
- Знаете, как управлять конфигурациями и параметрами моделей в проде
- Понимаете, как сделать ML- и LLM-инструменты доступными для специалистов без бэкграунда в ML
- Умеете собирать мультиагентные LLM-системы: LangChain, LangGraph, LlamaIndex
- Понимаете основные угрозы и паттерны защиты для ML- и LLM-систем