Требования
• Сильная теоретическая база и опыт работы в рекомендательных системах, информационном поиске, NLP/LLM; готовность работать на их пересечении
• Понимание устройства retrieval и ranking: embeddings, candidate generation, negative sampling, cross-encoders, reranking
• Знание основных offline-метрик поиска и рекомендаций: Recall@K, Precision@K, NDCG, MRR и их ограничений
• Опыт обучения, валидации и внедрения ML-моделей; доведённые до production либо production-like среды самостоятельно разработанные компоненты
• Навыки постановки воспроизводимых экспериментов, анализа ошибок и статистической интерпретации результатов
• Понимание жизненного цикла ML-системы: данные, обучение, inference, мониторинг, деградации и переобучение
• Опыт работы с большими объёмами данных и пайплайнами обработки; YT, Spark или аналогичные инструменты
• Базовые навыки Linux, Git, контейнеризации и работы с сервисами
Будет плюсом
• Опыт создания LLM-приложений: tool calling, agentic workflows, RAG, structured generation
• Дообучение LLM или encoder-моделей: SFT, LoRA/adapters, RL
• Построение lexical, semantic или hybrid retrieval
• LLM-as-a-judge, human evaluation, построение golden datasets и калибровка автоматических оценок
• Оптимизация GPU-инференса, batching, quantization, model serving
• Опыт с распределённым обучением и промышленной ML-инфраструктурой
• Практика A/B-тестирования рекомендательных или поисковых моделей
• Мультимодальные модели, VLM, понимание видео или рекомендательные системы для медиаконтента
• Наличие публикаций по тематике LLM, NLP, multimodal models