Інженер машинного навчання/штучного інтелекту

Ми шукаємо інженера машинного навчання/штучного інтелекту, який поєднує практичний досвід виробничої інженерії зі справжнім науковим розумінням сучасного глибокого навчання. Це не роль, пов'язана з інтеграцією API. Ви будете самостійно навчати, налаштовувати, оптимізувати та обслуговувати моделі, і від вас очікується, що ви, починаючи з перших принципів, поясните, чому ваш вибір є правильним.

Наведені нижче вимоги описують експертизу, яку ми вважаємо необхідною. Ми навмисно звели список: тут важливо все.

Інженерний стек:
PyTorch — впевнена, щоденна робоча майстерність, включаючи користувацькі цикли навчання, розподілене навчання та налагодження на тензорному рівні.
Асинхронне програмування на Python — глибоке практичне володіння асинхронністю, шаблонами паралельного передавання, потоковою передачею, зворотним тиском та режимами відмов, характерними для асинхронного коду.
FastAPI — проектування та експлуатація асинхронних сервісів виведення та оркестрації виробничого рівня.
Екосистема Hugging Face — трансформатори, peft та Unsloth для ефективного тонкого налаштування.
DevOps для робочих навантажень GPU — оркестрація кластерів GPU на Kubernetes, Docker та сильне володіння Linux як робочим середовищем (не лише як місцем, де працюють контейнери).

Основи глибокого навчання
Ви повинні мати ґрунтовне, зрозуміле розуміння класичного глибокого навчання, включаючи:
Сучасні згорткові архітектури та дизайн шарів.
Поглиблений механізм уваги та архітектуру трансформатора.
Токенізація — алгоритми, компроміси та їх практичні наслідки.
Основи комп'ютерного зору.
Архітектури енкодерів, декодерів та енкодер-декодерів, а також здатність чітко формулювати, де кожна з них є доцільним вибором. Стохастичний градієнтний спуск, графіки швидкості навчання, прямий та зворотний прохід, а також сімейство сучасних оптимізаторів. Числова точність та квантування — FP16, BF16, FP8, FP4 та пов'язані методи — включаючи вартість кожної з них у точності та пропускну здатність та пам'ять.

Архітектури та навчання LLM
Ми очікуємо обізнаності, яка виходить далеко за межі власних моделей та постачальників API. Ви повинні стежити за випусками моделей з відкритою вагою та поточною дослідницькою літературою, і вміти обговорювати:
Відмінності між архітектурами суміші експертів (MoE) та щільними архітектурами LLM, а також їхні відповідні наслідки для обслуговування.
Основні ідеї RoPE (вбудовування обертових позицій), MLA (прихована увага багатьох головок), GQA (увага групових запитів) та KV-кешування.
Сучасні конвеєри точного налаштування та їх інфраструктури, включаючи FSDP (повністю шардоване паралельне використання даних). Методи пост-навчання та узгодження, включаючи GRPO (групова оптимізація відносної політики) та RLVR (навчання з підкріпленням та перевіреними винагородами).

Агентні системи та логічний висновок
Знайомство з сучасними дослідженнями агентів штучного інтелекту, їхнього використання та шаблонів використання інструментів. Здатність створювати асинхронні агенти в стилі ReAct та Thinking з викликом інструментів повністю з нуля, без залежності від фреймворку, такого як LangGraph або CrewAI. Фреймворки прийнятні для зручності; вони не прийнятні як заміна розуміння. Практичне розуміння продуктивності логічного висновку: KV-кешування та повторне використання префіксів, час до першого токена та поведінка механізмів логічного висновку, таких як vLLM та Ollama. Досвід трасування, логування та спостережуваності LLM у продакшені. Практичне знання протоколів MCP (Model Context Protocol) та A2A (Agent-to-Agent).

Досвід академічних досліджень, лекцій університетського рівня, рецензованих публікацій або публічних виступів та презентацій на конференціях у цій галузі.

5000-8000 €/міс. брутто

Gynėjų g.14, Vilnius Розрахуйте час у дорозі до роботи