Старший DL-инженер в Рекомендации (AI)

Локация: Москва; офисный или комбинированный формат работы

Компания

VK развивает технологии глубокого понимания контента и алгоритмы персонализированных рекомендаций для постов, клипов, видео и музыки.

Что делать

• Разрабатывать и обучать embedding-модели для текста, изображений, видео, речи, звука и музыки.
• Создавать мультимодальные модели и контентные классификаторы для поиска, рекомендаций и построения признаков.
• Проектировать датасеты и бенчмарки, проводить эксперименты и оценивать качество моделей.
• Адаптировать и интегрировать модели в рекомендательные механики VK.
• Оптимизировать и масштабировать обучение и инференс, включая multi-GPU и распределённые сценарии.
• Деплоить модели в продакшен, проводить A/B-тесты, анализировать метрики и настраивать пайплайны сбора и разметки данных.

Требования

• Опыт разработки, обучения и внедрения DL-моделей.
• Знание теории машинного и глубокого обучения, алгоритмов и структур данных, линейной алгебры, теории вероятностей и статистики.
• Умение проектировать эксперименты, выбирать метрики и интерпретировать результаты.
• Навыки написания чистого поддерживаемого кода и понимание принципов проектирования ПО.
• Опыт совместной разработки с кодовыми агентами: декомпозиция задач, контроль и ревью сгенерированного кода.
• Готовность совмещать исследовательскую работу с инженерной реализацией и самостоятельно проверять гипотезы.

Хорошо, если есть

• Опыт создания поисковых или рекомендательных систем в индустриальном масштабе.
• Опыт работы с embedding-моделями, metric learning, contrastive learning, representation learning или foundation-моделями.
• Опыт создания мультимодальных, VLM, audio-language или video encoder моделей.
• Опыт распределённого обучения, оптимизации DL-моделей, построения больших датасетов и систематических бенчмарков.
• Публикации на профильных ML-конференциях или сильный исследовательский бэкграунд.

Культура и преимущества

• Работа на стыке исследований и инженерии.
• Возможность воспроизводить современные подходы из академической среды и индустрии.
• Работа с большими внутренними датасетами и мультимодальными данными.
• Полный рабочий график в офисном или комбинированном формате.