- Страна
- Россия
- Зарплата
- 250 000 ₽ – 350 000 ₽
ML Engineer (Junior – Senior)
Оценка ИИИнтересные задачи на острие технологий (VLM, VLA) в реальном секторе экономики. Хорошая вилка для Middle-уровня, офис в Москва-Сити и сильная команда из топовых компаний делают вакансию очень привлекательной.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль требует глубоких знаний в современных VLM и LLM пайплайнах, а также навыков развертывания моделей (vLLM, SGLang). Работа с промышленными данными и видеоаналитикой добавляет сложности в части обработки контекста и оптимизации ресурсов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная вилка 250 000 – 350 000 руб. gross для уровня Middle соответствует рыночным ожиданиям для ML-инженеров в Москве, специализирующихся на LLM/VLM. Верхняя граница может быть выше для Senior-специалистов, что обсуждается индивидуально.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
tldr: ML Engineer (Junior – Senior) в Коперник AI — VLM-пайплайны для промышленного AI на площадках крупного автопроизводителя. Гибрид (офис в Москва-Сити), полная занятость. Вилка для middle — 250–350k gross; другие уровни обсуждаем индивидуально.
*🔭* Роль
Это гибридная роль на стыке R&D и прикладной разработки. Вы будете проектировать и запускать Vision-агентов, которые перестраивают реальные производственные процессы. Вам предстоит работать с большими массивами видео и применять передовые мультимодальные модели.
В работе: video understanding, egocentric perception, context engineering и on-premise развёртывание. Накопленные данные становятся уникальным датасетом для дообучения VLA.
*🛰* Ты подключишься к одному из проектов:
— распознаём действия человека по видео от первого лица, сравниваем с инструкциями, находим отклонения и предлагаем оптимизации техпроцесса;
— превращаем видео производственных операций в карты инструкций для сотрудников и строим платформу для контроля качества и обучения.
*🧑🚀* Что для нас важно
— LLM: context engineering, structured output, дообучение, валидация и постобработка
— VLM: video understanding, image captioning, парсинг слабоструктурированных данных
— Golden-датасеты, бенчмарки, LLM-as-a-judge, анализ ошибок
— Развёртывание через vLLM или SGLang, упаковка пайплайнов в сервисы
*⭐* Плюсом: промышленные проекты, речевые модели (Whisper, GigaAM), Docker, запуск на ограниченных ресурсах.
*🪐* О нас
Коперник AI создаёт и внедряет AI-решения для промышленности — в портфолио нефтяная отрасль, строительство, автомобилестроение. В команде специалисты из Сбера, Яндекса, ЕвроХима и Норникеля. Работаем со скоростью стартапа и инженерной культурой больших AI-команд: быстро ставим эксперименты и доводим решения до продакшена.
*📡 Контакт:* Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- LLM
- VLM
- Computer Vision
- vLLM
- SGLang
- Docker
- Python
- Whisper
- GigaAM
- Video Understanding
Возможные вопросы на собеседовании
Проверка практического опыта работы с видео-данными и понимания специфики временных зависимостей.
Какие подходы вы использовали для Video Understanding и как решали проблему длинного контекста при анализе видеопотока?
Важно понять, как кандидат обеспечивает надежность ответов модели в промышленном контуре.
Расскажите о вашем опыте настройки Structured Output для LLM/VLM. Как вы валидируете корректность извлеченных данных?
Оценка навыков оптимизации и деплоя, критичных для on-premise решений.
В чем разница между использованием vLLM и SGLang для инференса моделей, и какие оптимизации вы применяли для запуска на ограниченных ресурсах?
Проверка методологического подхода к улучшению качества моделей.
Как вы строите процесс LLM-as-a-judge и какие метрики считаете ключевыми при создании Golden-датасетов для промышленных задач?
Оценка способности работать с реальными, часто зашумленными данными.
С какими основными трудностями вы сталкивались при распознавании действий (Action Recognition) в условиях реального производства и как их преодолевали?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
