ML Инженер (NLP)

TL;DR

ML Инженер (NLP): Разработка и внедрение алгоритмов роботизированной поддержки для службы поддержки и контакт-центра с акцентом на обработку и анализ естественного языка, архитектуры Transformer и оптимизацию моделей. Фокус на проектировании ML-системы, обучении и интеграции LLM, а также на масштабировании и мониторинге качества для работы в реальном времени при высоком RPS.

Локация: Москва

Company

RWB разрабатывает рыночные продуктовые решения для службы поддержки и контакт-центра.

Что делать

• Разрабатывать, внедрять и улучшать алгоритмы роботизированной поддержки.
• Проектировать дизайн ML-системы: обучать модели, подбирать архитектуру.
• Проводить агрегацию, предобработку и первичный анализ данных для обучения.
• Анализировать входящие потоки данных, участвовать в построении инструментов мониторинга качества.
• Оптимизировать и масштабировать ML-модели для работы в реальном времени с учетом высокого RPS.
• Формулировать гипотезы и ставить эксперименты; исследовать state-of-the-art методы NLP для корпоративного контекста.

Требования

• Опыт работы в ML-инженерии/Data Science от 3 лет, включая NLP.
• Глубокие знания ML: классические методы, deep learning, NLP; опыт с архитектурой Transformer и методами оптимизации.
• Продвинутый Python и библиотеки для ML: PyTorch, Scikit-learn, numpy, pandas.
• Опыт обучения и интеграции больших языковых моделей (LLM).
• Хорошие знания статистики, теории классического ML и нейросетей, математики.

Культура и преимущества

• Работа над высоконагруженным продуктом, которым пользуются миллионы пользователей.
• Современный стек и доступ к мощным вычислительным ресурсам.
• Профессиональное развитие: участие в конференциях, курсах и воркшопах.
• Гибкий график и возможность удаленной работы.
• Оформление по ТК РФ с первого дня; ДМС со стоматологией после испытательного срока.
• Бесплатное питание в офисе и комфортная офисная среда (опенспейс, кофейня, йога, настольный теннис, много растений).

Процесс найма

• Оценка опыта в ML/NLP и практических навыков (Python, PyTorch/Scikit-learn, работа с данными и моделями).
• Обсуждение подхода к постановке экспериментов и оптимизации моделей для реального времени.