Junior ML-engineer в Россия, договорная зарплата | Резюме специалистов digital, маркетинга и affiliate на arbihunter.com

    Junior ML-engineer

    Договорной
    Россия
    Полная
    Удаленная работа
    Опыт работы
    1 год 4 месяца
    Последнее место работы

    SimbirSoft

    ML-engineer
    1 год 4 месяца

    Резюме в Telegram-канале

    10 резюме

    Пост каждый день

    О себе

    О себе
    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

    Опыт в Affiliate

    Данные отсутствуют

    Опыт работы
    1 год 4 месяца

    Апрель 2025 - Июль 2026
    (1 год 4 месяца)
    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%

    Навыки

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

    Владение языками

    Средний Английский
    Родной Русский

    Занятость

    Занятость
    Полная
    Формат работы
    Удаленная работа, Гибрид, Офис
    График работы
    Гибкий, 5/2
    Переезд
    Возможен
    Командировки
    Командировки возможны