ML/AI Developer

Описание

LawCopilot.ai — AI-first компания, создающая юридических AI-агентов для среднего и крупного бизнеса в России и Таиланде. Мы работаем с большими данными — более 23 млн документов российского законодательства, включая 21 кодекс, 3.8M+ судебных актов и 500K+ нормативных актов. Продукт уже стоит в топовых юридических компаниях России, в компаниях среднего и крупного бизнеса.Мы привлекли венчурный раунд инвестиций в РФ, чтобы реализовать нашу стратегию - достижения лидерства на российском рынке, и активно расширяем команду ML-инженеров. Наш RAG-пайплайн работает с inline-цитированием, Extended Thinking и 11+ MCP-инструментами. Мы используем несколько провайдеров LLM: Anthropic, OpenAI, YandexGPT, GigaChat.Чем предстоит заниматься qdrant 18.3 с продвинутым пониманием конфигурации, слоёв и коллекций Chunking — SPC · S2B · LC · DEDUP · осознанный отказ от PROP/SEM на структурированном тексте Indexing — TurboQuant bits4 + rescore/oversampling · Evaluation Framework, Cоздание repeatable pipeline для измерения качества retrieval: golden dataset из 200+ аннотированных юридических запросов, метрики MRR@K, NDCG@K, Recall@K, Precision@K, faithfulness Интеграция в CI/CD — каждый PR проходит через eval, порог деградации < 5% Hybrid Search Quality Доведение до production связки Dense + BM25 + Cross-Encoder Reranker A/B тестирование трёх режимов, калибровка RRF fusion weights, оптимизация reranker pipeline (bge-reranker-v2-m3, 568M params) Цель — Recall@10 ≥ 85% Улучшение Recall (качество извлечения) Системная работа над повышением полноты извлечения релевантных документов из базы в 23M+ Оптимизация query expansion: автоматическое расширение запросов синонимами и смежными нормами (например, «неустойка» → «ст. 330 ГК» + «штрафные санкции») Исследование multi-hop retrieval для сложных юридических вопросов, затрагивающих несколько кодексов Тюнинг HNSW-параметров (m, ef_construct, ef_search) под 4096-dim векторы Анализ и устранение failure cases: когда и почему релевантный документ не попадает в топ-K Цель — Recall@10 с текущего baseline до ≥85%, Recall@20 ≥93% Chunking Quality Оптимизация разбиения юридических текстов: semantic/agentic chunking, специализированные чанкеры для разных типов документов Переиндексация 23M документов за дни, а не месяцы: параллелизация, batching, resume/checkpoint, оценка local vs API embeddings Оптимизация разбиения юридических текстов: semantic/agentic chunking, специализированные чанкеры для разных типов документов 23M+ vectors в < 120GB RAM: INT8 scalar, binary quantization, HNSW tuning для 4096-dim vectors, ON_DISK payload Что мы ожидаем Python — 3+ лет production (FastAPI, async/await, Pydantic) Векторные БД — практический опыт (Qdrant / Pinecone / Weaviate / Milvus) RAG-пайплайны — глубокое понимание: chunking → embedding → retrieval → reranking → generation Embedding-модели — sentence-transformers, FRIDA, ColBERT, OpenAI embeddings или аналоги Hybrid search — Dense + BM25/Sparse, fusion strategies (RRF, weighted) IR-метрики — практический опыт с MRR, NDCG, Recall@K, Precision@K Docker — уверенная работа с docker-compose, multi-service стеки Сильный плюс Qdrant — named vectors, payload indexes, quantization, hybrid search Cross-encoder reranking — bge-reranker, ColBERT или аналоги NLP для русского языка — токенизация, морфология, юридическая терминология Anthropic Claude / MCP — tool definitions, streaming, prompt engineering PostgreSQL — Alembic migrations, async (asyncpg) Redis — session management, caching gRPC — опыт с Qdrant gRPC client Legal domain — опыт в LegalTech, работа с нормативными документами Soft Skills Самостоятельность — async-формат работы, минимальный микроменеджмент Метрический подход — каждое изменение измеримо (before/after eval) Документирование — README, inline comments для неочевидных решений Английский — чтение документации, коммиты на английском Формат Гибридный (удалённо + офис) Офис МИК «Ломоносов», Москва, Раменский бульвар, 1 Занятость Полная занятость Вознаграждение 200 000 — 350 000 ₽/мес. в зависимости от уровня компетенций и продуктивности + опционная программа. Возможность роста до CTO