ML/AI Developer

Навыки

• AI-агенты
• API (интеграции)
• Самостоятельность
• Big Data
• CI/CD
• Docker
• FastAPI

О компании и продукте

• LawCopilot.ai — AI-first компания, создающая юридических AI-агентов для среднего и крупного бизнеса в России и Таиланде. Мы работаем с большими данными — более 23 млн документов российского законодательства, включая 21 кодекс, 3.8M+ судебных актов и 500K+ нормативных актов. Продукт уже стоит в топовых юридических компаниях России, в компаниях среднего и крупного бизнеса. Мы привлекли венчурный раунд инвестиций в РФ, чтобы реализовать нашу стратегию - достижения лидерства на российском рынке, и активно расширяем команду ML-инженеров. Наш RAG-пайплайн работает с inline-цитированием, Extended Thinking и 11+ MCP-инструментами. Мы используем несколько провайдеров LLM: Anthropic, OpenAI, YandexGPT, GigaChat. Цель — Recall@10 ≥ 85% Улучшение Recall (качество извлечения)
• Системная работа над повышением полноты извлечения релевантных документов из базы в 23M+ Оптимизация query expansion: автоматическое расширение запросов синонимами и смежными нормами (например, «неустойка». «ст. 330 ГК» + «штрафные санкции»)

Задачи

• Исследование multi-hop retrieval для сложных юридических вопросов, затрагивающих несколько кодексов
• Тюнинг HNSW-параметров (m, ef_construct, ef_search) под 4096-dim векторы
• Анализ и устранение failure cases: когда и почему релевантный документ не попадает в топ-K Цель — Recall@10 с текущего baseline до ≥85%, Recall@20 ≥93% Chunking Quality Оптимизация разбиения юридических текстов: semantic/agentic chunking, специализированные чанкеры для разных типов документов
• Документирование — README, inline comments для неочевидных решений

Требования

• Векторные БД — практический опыт (Qdrant / Pinecone / Weaviate / Milvus) RAG-пайплайны — глубокое понимание: chunking
• embedding
• retrieval
• reranking
• generation Embedding-модели — sentence-transformers, FRIDA, ColBERT, OpenAI embeddings или аналоги Hybrid search — Dense + BM25/Sparse, fusion strategies (RRF, weighted) IR -метрики — практический опыт с MRR, NDCG, Recall@K, Precision@K Docker — уверенная работа с docker-compose, multi-service стеки
• Метрический подход — каждое изменение измеримо (before/after eval)
• Английский — чтение документации, коммиты на английском Формат

Условия

• Гибридный (удалённо + офис)
• Офис МИК «Ломоносов», Москва
• Раменский бульвар, 1 Занятость Полная занятость
• Вознаграждение 200 000 — 350 000 ₽/мес. в зависимости от уровня компетенций и продуктивности + опционная программа
• Возможность роста до CTO

Паспорт вакансии

История публикации

Откуда что взялось

Отмечено то, что вывели мы. Без пометки — значение назвал работодатель.

Почему на этом месте в выдаче

Порядок выдачи объявлен контрактом: свежесть решает между днями, полнота и зарплата — внутри дня.