Senior ML Specialist

О позиции

Мы — Quartile, крупнейшая в мире платформа оптимизации розничного медиа. Мы помогаем более чем 5300 брендам и продавцам по всему миру расти с помощью запатентованных ИИ-технологий, управляя годовыми рекламными расходами свыше $2 млрд. Наш флагманский продукт Sciene AI Companion — автономная платформа поддержки клиентов, которая автоматизирует важные бизнес-процессы. Сейчас команда строит производственную агентскую ИИ-платформу и ищет эксперта, который обеспечит глубокое машинное обучение за каждым решением модели.

Будет плюсом

• Публикации, исследования или open-source вклад в NLP/ML; сильный Kaggle или эквивалентный конкурс
• Опыт с retrieval системами: выбор embedding-моделей, стратегии чанкинга, reranking, оценка качества поиска
• Опыт с агентской оценкой: анализ траекторий, точность использования инструментов, метрики успешности многоступенчатых задач
• Оптимизация стоимости и латентности моделей: routing, distillation, prompt caching, quantization
• Опыт с Databricks (MLflow, model serving, Delta Sharing) и Azure (Container Apps, Key Vault), Docker
• Опыт с observability стеками: OpenTelemetry, Grafana, Loki, structured logging
• Опыт с Model Context Protocol (MCP) или аналогичными стандартами
• Track record запуска чего-то с нуля в быстро меняющейся среде

Условия

• Работа на переднем крае агентского ИИ в одной из крупнейших маркетинговых платформ мира
• Прямое влияние на ключевые бизнес-метрики через качество моделей
• Автономия старшего специалиста: полный цикл от идеи до продакшена
• Работа в международном distributed team с лучшими инженерами и исследователями
• Возможность глубоко изучать и применять современные LLM технологии
• Конкурентная компенсация (рыночный уровень для позиции в Бразилии)
• Дистанционная работа с возможностью переезда в офис Quartile в случае необходимости

Навыки

• Python
• PyTorch
• scikit-learn
• Hugging Face
• FastAPI
• Docker
• Azure
• Databricks
• MLflow
• LLM
• NLP
• Transformer Architecture
• Fine-Tuning
• LoRA
• Peft
• RLHF
• DPO
• Prompt Engineering
• Model Evaluation
• Statistical Analysis
• Hypothesis Testing
• Bayesian Methods
• Classification
• Clustering
• Feature Engineering
• Embeddings
• Semantic Similarity
• Retrieval Systems
• RAG
• Observability
• OpenTelemetry
• Grafana
• CI/CD

Могут спросить на собеседовании

1. Как вы объясните разницу между генерацией с использованием temperature=0 и temperature=1? В каких случаях что уместно?
2. Опишите эксперимент: как вы проверите, что улучшение метрики после тонкой настройки действительно статистически значимо, а не шум?
3. Когда бы вы предпочли использовать классический ML-классификатор вместо промптинга большой языковой модели? Оправдайте выбор.
4. Какие методы калибровки оценщиков (judges) вы используете, если применяете LLM-as-judge для оценки других моделей?
5. Расскажите о ситуации, когда ваша модель дала неожиданный результат. Как вы диагностировали причину и какое решение приняли?