- Страна
- Россия
ML-инженер (Python, PyTorch, fine-tuning)
Оценка ИИИнтересная роль с фокусом на современные технологии (LLM, графы) в крупной логистической компании. Четко описанный стек и задачи, возможность работать с production-системами, однако отсутствие указанной зарплаты немного снижает оценку.
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 ИИПозиция требует глубоких знаний в области LLM, fine-tuning и оптимизации инференса (vLLM, квантование), а также навыков работы с инфраструктурой (K8s, Airflow). Уровень Middle+ предполагает самостоятельность в построении production-ready конвейеров.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, но для уровня Middle+ ML-инженера в Москве рыночный диапазон составляет от 250 000 до 450 000 рублей в зависимости от глубины экспертизы в LLM.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Урал Логистика
ML-инженер (Python, PyTorch, fine-tuning)
Полная занятость
Формат работы: офис или гибрид (Москва)
*☑️* Чем предстоит заниматься
-Строить конвейеры подготовки данных: сбор, очистку, нормализацию, дедупликацию и разметку
-Формировать обучающие, валидационные и независимые оценочные выборки, контролировать утечки и пересечения
-Создавать baseline для задач извлечения, классификации, определения сущностей и связей
-Дообучать модели, готовить инструктивные наборы, обучать адаптеры и сравнивать результаты с базовыми моделями
-Определять метрики, стратифицировать выборки и анализировать ошибки по типам документов, сценариям и полям
-Работать с извлечением сущностей и связей для построения и обновления графового представления данных
-Разворачивать локальный inference и оптимизировать его под доступную инфраструктуру
-Работать с tensor parallelism, batching, длиной контекста, GPU-памятью и квантованием
-Измерять задержку, пропускную способность, утилизацию и стоимость обработки документа
-Версионировать данные, модели, конфигурации обучения и результаты экспериментов
-Участвовать в интеграции моделей с прикладными AI-сервисами и production-конвейерами
*☑️* Наши пожелания к кандидатам
-Рассматриваем кандидатов уровня middle+ и выше
-Практический опыт построения ML-конвейеров, которые используются в production
-Уверенное владение Python, PyTorch и Hugging Face Transformers
-Практический опыт fine-tuning языковых моделей, подготовки данных и работы с PEFT
-Умение строить корректную оценку качества и контролировать утечки между обучающими и тестовыми данными
-Опыт локального inference LLM и понимание устройства GPU-памяти
-Знание компромиссов между качеством, скоростью, длиной контекста, batching и квантованием
-Linux, CUDA, SQL, Docker и Kubernetes
-Способность выйти за пределы notebook и довести модельное решение до устойчивой эксплуатации
-Стек: Python, PyTorch, Hugging Face Transformers, PEFT, pandas, SQL, PostgreSQL, Airflow или аналог, MLflow или аналог, vLLM, CUDA, Docker, Kubernetes
Контакты: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PyTorch
- Hugging Face Transformers
- PEFT
- Pandas
- SQL
- PostgreSQL
- Airflow
- MLflow
- vLLM
- CUDA
- Docker
- Kubernetes
- Linux
Возможные вопросы на собеседовании
Проверка практического опыта работы с эффективным дообучением моделей.
Расскажите о вашем опыте использования PEFT (например, LoRA). В каких случаях вы выберете этот метод вместо полного fine-tuning?
Важно понимать, как кандидат оптимизирует работу моделей на ограниченных ресурсах GPU.
Какие методы оптимизации инференса LLM вы применяли (квантование, батчинг, vLLM)? Как они влияли на задержку (latency) и пропускную способность?
Оценка навыков работы с данными и предотвращения переобучения.
Как вы организуете процесс валидации, чтобы избежать утечки данных (data leakage) при работе с временными рядами или графовыми структурами?
Проверка инженерных навыков и понимания жизненного цикла ML-модели.
Опишите ваш типичный стек для версионирования данных и моделей. Как вы обеспечиваете воспроизводимость экспериментов в MLflow?
Проверка навыков работы с извлечением информации.
С какими сложностями вы сталкивались при построении графового представления данных на основе извлеченных сущностей и связей?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
