Junior ML-engineer en Rusia, salario negociable | Currículums de especialistas en digital, marketing y afiliación en arbihunter.com

    Junior ML-engineer

    A convenir
    Rusia
    Tiempo completo
    Trabajo remoto
    Experiencia laboral
    1 año 4 meses
    Último empleo

    SimbirSoft

    ML-engineer
    1 año 4 meses

    Sobre ti

    Sobre ti
    ML-инженер, 1+ год коммерческой разработки RAG-систем и AI-агентов. Ищу позицию ML-инженера с фокусом на LLM / NLP или RAG-системы. Дополнительно занимаюсь разработкой собственных проектов: 1) AI-наставник по ML. - Разработал AI-агента на RAG-системе, состоящей из более 300 различных статей по машинному обучению, для быстрого поиска информации и углубления понимания ML-концепций. - Реализовал полный цикл: сбор и обработка данных, чанкинг, векторный индекс, генерация ответов, контейнеризация. - Стэк: Python, LlamaIndex, Qwen, Qdrant, Docker - Ссылка на github проекта: https://github.com/VLGen/AI-mentor 2) Голосовой помощник-повар. - Создал голосового ассистента для помощи в приготовлении блюд, подборе рецептов, сопровождении на этапах готовки с использованием ASR и LLM. - Реализовал голосовой ввод/вывод и интеграцию с LLM. - Стэк: Python, Vosk, Transformers, Qwen, Sounddevice. - Ссылка на github проекта: https://github.com/VLGen/AI-Voice-controlled-cooking-assistant.git GitHub профиль: https://github.com/VLGen

    Experiencia en afiliación

    No hay datos disponibles

    Experiencia laboral
    1 año 4 meses

    Abril 2025 - Julio 2026
    (1 año 4 meses)
    SimbirSoft
    ML-engineer
    1. Разработал скрипты для загрузки, очистки и унифицированной обработки текста из внутренних нормативных документов с использованием фреймворка LlamaIndex, создав единый формат данных для RAG-пайплайнов и обеспечив подключение новых типов источников без доработки основного конвейера; 2. Отвечал за чанкинг и построение индексов в проектировании и выводе в продакшен RAG-пайплайна (LlamaIndex, LangChain, Qdrant, Qwen-72B) на основе корпоративной базы знаний, состоящей из 500+ документов - время поиска ответов сокращено с 15-20 минут до 30 секунд; 3. Внедрил слой кэширования для частых вопросов в Redis, ускорив их обработку в 10 раз и сократив количество повторных обращений к downstream-компонентам, что позволило снизить нагрузку на поддержку на 20%; 4. Провел системное тестирование RAG-based AI-агента на 600 тестовых вопросах: по результатам анализа ошибок оптимизировал чанкинг и промты, повысив recall релевантных ответов с 78% до 89%

    Habilidades

    ООП
    LlamaIndex
    LangChain
    Redis
    Qdrant
    Qwen
    TTS
    ASR
    Python
    Git
    API
    FastAPI
    PostgreSQL
    Pandas

    Dominio de idiomas

    Intermedio Inglés
    Nativo Ruso

    Tipo de empleo

    Tipo de empleo
    Tiempo completo
    Formato de trabajo
    Trabajo remoto, Híbrido, Presencial
    Horario de trabajo
    Flexible, 5/2
    Reubicación
    Posible
    Viajes de trabajo
    Viajes posibles