Junior ML-engineer à Russie, salaire à négocier | CV de spécialistes du digital, du marketing et de l'affiliation sur arbihunter.com

    Junior ML-engineer

    À négocier
    Russie
    Temps plein
    Télétravail
    Expérience professionnelle
    1 an 4 mois
    Dernier emploi

    SimbirSoft

    ML-engineer
    1 an 4 mois

    À propos de vous

    À propos de vous
    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

    Expérience en affiliation

    Aucune donnée disponible

    Expérience professionnelle
    1 an 4 mois

    Avril 2025 - Juillet 2026
    (1 an 4 mois)
    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%

    Compétences

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

    Maîtrise des langues

    Intermédiaire Anglais
    Natif Russe

    Type d’emploi

    Type d’emploi
    Temps plein
    Format de travail
    Télétravail, Hybride, Présentiel
    Horaires de travail
    Flexible, 5/2
    Relocalisation
    Possible
    Déplacements professionnels
    Déplacements possibles