Инженер по машинному обучению/искусственному интеллекту

Мы ищем инженера по машинному обучению/искусственному интеллекту, который сочетает практический опыт в разработке производственных моделей с подлинным научным пониманием современного глубокого обучения. Это не роль по интеграции API. Вы будете самостоятельно обучать, дорабатывать, оптимизировать и запускать модели — и от вас потребуется объяснять, исходя из основных принципов, почему принимаемые вами решения являются правильными.
Ниже приведены требования к экспертным знаниям, которые мы считаем необходимыми. Мы намеренно ограничили список: здесь важна каждая деталь.

Инженерный стек:
PyTorch — уверенное владение им в повседневной работе, включая пользовательские циклы обучения, распределенное обучение и отладку на уровне тензоров.
Асинхронное программирование на Python — глубокое практическое знание asyncio, шаблонов параллельного выполнения, потоковой обработки, обратного давления и режимов сбоев, специфичных для асинхронного кода.
FastAPI — проектирование и эксплуатация сервисов асинхронного вывода и оркестровки производственного уровня.
Экосистема Hugging Face — трансформеры, peft и Unsloth для эффективной тонкой настройки.
DevOps для рабочих нагрузок GPU — оркестрация кластеров GPU в Kubernetes, Docker и уверенное владение Linux как рабочей средой (а не просто как местом для запуска контейнеров).

Основы глубокого обучения
Необходимо иметь прочное, понятное понимание классического глубокого обучения, включая:
Современные сверточные архитектуры и проектирование слоев.
Механизм внимания и архитектура трансформеров вглубь.
Токенизация — алгоритмы, компромиссы и их практические последствия.
Основы компьютерного зрения.
Архитектуры кодировщика, декодера и кодировщика-декодера, а также умение четко формулировать, где каждый из них является подходящим выбором.
Стохастический градиентный спуск, графики скорости обучения, прямой проход и обратное распространение ошибки, а также семейство современных оптимизаторов.
Численная точность и квантование — FP16, BF16, FP8, FP4 и связанные с ними методы — включая то, во сколько вам это обойдется в точности и что вы получите в пропускной способности и памяти.

Архитектуры LLM и обучение
Мы ожидаем, что ваши знания будут выходить далеко за рамки проприетарных моделей и поставщиков API. Вы должны следить за выпуском моделей с открытыми весами и текущей исследовательской литературой, а также уметь обсуждать:
Различия между архитектурами Mixture-of-Experts (MoE) и плотными LLM, а также их соответствующие последствия для обслуживания.

Основные идеи RoPE (встраивание вращающегося положения), MLA (многоголовочное скрытое внимание), GQA (группированное внимание к запросам) и кэширование ключ-значение.
Современные конвейеры тонкой настройки и их инфраструктура, включая FSDP (полностью сегментированные параллельные данные).
Методы постобработки и выравнивания, включая GRPO (групповая относительная оптимизация политики) и RLVR (обучение с подкреплением и проверяемыми вознаграждениями).

Агентные системы и вывод.
Знание современных исследований в области ИИ-агентов, систем управления агентами и моделей использования инструментов.
Способность создавать асинхронных агентов в стиле ReAct и Thinking с вызовом инструментов полностью с нуля, без использования фреймворков, таких как LangGraph или CrewAI. Фреймворки допустимы как удобство; они недопустимы в качестве замены понимания.

Практическое понимание производительности вывода: кэширование ключ-значение и повторное использование префиксов, время до первого токена, а также поведение механизмов вывода, таких как vLLM и Ollama.
Опыт работы с трассировкой, логированием и мониторингом LLM в производственной среде.
Знание протоколов MCP (Model Context Protocol) и A2A (Agent-to-Agent).

Опыт академических исследований, преподавания в университете, публикаций в рецензируемых журналах, публичных выступлений и презентаций на конференциях в данной области.

5000-8000 €/мес. брутто

Gynėjų g.14, Vilnius Рассчитайте время в пути до работы.