Старший DL-инженер

Задачи:
- Развивать компоненты AI-ассистента для VK Видео: понимание намерения, удержание контекста диалога, выбор стратегии и маршрутизация инструментов
- Улучшать генерацию кандидатов, semantic retrieval и reranking для поиска и персонализированных рекомендаций
- Работать с гибридным поиском: эмбеддинги, текстовые и структурные фильтры, поисковые API, рекомендательные модели и явные критерии пользователя
- Оптимизировать candidate budget и смешивание кандидатов из разных источников
- Обучать и дообучать модели для отдельных компонентов системы: LLM-like, reranker, query rewriting, relevance-модели
- Собирать и улучшать обучающие и тестовые датасеты: реальные и синтетические запросы, сложные негативные примеры, long-tail-сценарии и размеченные диалоги
- Создавать и поддерживать golden datasets, human-aligned evaluation и автоматические проверки качества; калибровать auto-eval по человеческой оценке
- Анализировать деградации, формулировать гипотезы и проверять их в воспроизводимых экспериментах
- Оценивать модели по отдельным сценариям, категориям запросов, релевантности, разнообразию, безопасности и качеству диалога
- Оптимизировать latency, стоимость и использование вычислительных ресурсов при обучении и инференсе
- Готовить компоненты к промышленной эксплуатации: интеграция, нагрузочное тестирование, мониторинг, обработка ошибок и контроль регрессий
- Участвовать в offline- и online-экспериментах, подготовке A/B-тестов и интерпретации продуктовых метрик
- Проводить code review, документировать эксперименты и участвовать в обсуждении архитектуры и исследовательских результатов

Требования:
- Сильная теоретическая база и опыт работы в рекомендательных системах, информационном поиске, NLP/LLM
- Понимание устройства retrieval и ranking: embeddings, candidate generation, negative sampling, cross-encoders, reranking
- Знание offline-метрик поиска и рекомендаций: Recall@K, Precision@K, NDCG, MRR и их ограничений
- Опыт обучения, валидации и внедрения ML-моделей в production или production-like среде
- Навыки 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
- Публикации по тематике LLM, NLP, multimodal models

Мы предлагаем:
- Гибкий график работы
- Бонусы и скидки от партнеров
- Офис в центре города
- ДМС
- Профессиональная команда