ML-инженер

Навыки

• Алгоритмы и структуры данных
• API (интеграции)
• B2B-продажи
• Docker
• FastAPI
• Дообучение моделей
• Git

О компании и продукте

• B2B SaaS-продукт, работающий с большими объёмами слабоструктурированных документов (PDF / DOCX / XLSX) и строящий на них аналитику. Сейчас вся обработка данных — rule-based (regex + словари). Запускается контур локального LLM-инференса для нормализации и извлечения структурированных данных. Ограничение: данные — коммерческая тайна, деплой только on-prem, облачные LLM-API исключены — используются открытые модели локально. ML/LLM-инженер Локальный LLM-инференс и извлечение данных из документов. On-prem, без облачны

Задачи

• Эксперименты с открытыми LLM: подбор моделей и промптов под задачи извлечения, сравнение результатов
• Разработка кода извлечения структурированных данных (constrained JSON) из документов и таблиц на Python в существующем бэкенде
• Сбор и разметка наборов для оценки качества, расчёт метрик (точность по полям), отслеживание регрессий при смене модели или промпта
• Нормализация данных: дедупликация и сопоставление сущностей, очистка полей правилами и LLM
• Поддержка OCR-пайплайна для сканов (Tesseract / Surya / PaddleOCR)
• Работа с очередью ручной проверки результатов
• Стек Python 3.12, FastAPI, SQLAlchemy 2.0, PostgreSQL 16, Docker Compose
• ML-часть строится с нуля: локальный инференс (vLLM / Ollama / llama.cpp), constrained decoding, эмбеддинги, pgvector, fine-tune (peft / unsloth)

Требования

• Коммерческий опыт на Python — от 1 года: продакшен-код, работа в команде и с чужой кодовой базой
• Уверенный Python: ООП, структуры данных, чистый читаемый код
• Портфолио с проектами на LLM/ML — собственные или рабочие, с возможностью показать (GitHub) и разобрать
• Практический опыт с LLM: запуск моделей, написание промптов под задачи, RAG, работа с эмбеддингами
• Git, Docker
• Английский на чтение документации
• Будет преимуществом Опыт fine-tune (LoRA/QLoRA) или дообучения эмбеддеров
• Локальный запуск моделей: Ollama / llama.cpp / vLLM
• SQL, опыт с PostgreSQL
• Понимание основ ML: метрики качества, train/val, переобучение
• Обработка текста и таблиц (pandas, парсинг документов)
• ML-соревнования (Kaggle и т. п.)

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.