AI R&D Engineer / ML Engineer (Python)

Описание

О компании Полигонатор — быстрорастущая компания, специализирующаяся на создании инновационных тренажёров для различных предприятий. Наши решения охватывают широкий спектр: классические обучающие комплексы, интерактивные среды для отработки управления техникой в симуляциях с реалистичной физикой и иммерсивные VR-тренажёры. Мы создаём полноценное ПО (от проектирования до внедрения) и строим продукты с внедрением ИИ — от аналитики и прогнозных моделей до LLM-приложений и исследовательских прототипов. С 2016 года реализовали более 40 проектов. В работе используем Unreal Engine 5 для создания детализированных и реалистичных виртуальных сред. О роли Мы ищем AI R&D / ML Engineer, который понимает принципы работы современных технологий ИИ и способен не только использовать готовые решения, но и проектировать, разрабатывать и совершенствовать собственные AI-системы. Вы будете работать на стыке исследований и продакшена: воспроизводить статьи, ставить контролируемые эксперименты, строить пайплайны обучения и деплоить модели в реальные продукты (включая RL-сценарии в симуляциях). Уровень: Middle / Middle+ Опыт: 1–3 года коммерческой разработки в ML/AI Что вы будете делать Проектировать и реализовывать ML-пайплайны: от подготовки данных до обучения, валидации и деплоя моделей. Проводить контролируемые эксперименты: ablation study, контрольные группы, оценка статистической значимости результатов. Воспроизводить научные статьи и адаптировать методы под задачи бизнеса (симуляции, тренажёры, физика). Разрабатывать и обучать RL-агентов в симуляциях, настраивать векторизованные среды и параллельный сбор опыта. Оптимизировать инференс: батчинг, квантизация, ONNX / vLLM / TGI / llama-cpp. Строить мониторинг моделей: дрейф данных, деградация качества, алертинг. Упаковывать результаты исследований в прототипы и API для передачи в прод. Участвовать в планировании задач и архитектуры проектов, предлагать технические решения. Работать в команде: ветки, код-ревью, CI/CD. Требования Инженерная база Уверенный Python: чистый, тестируемый, воспроизводимый код (type hints, модули, venv). Git и культура работы с ветками/ревью; понимание CI-процессов на базовом уровне. PyTest — написание юнит-тестов для моделей и пайплайнов. SQL — уверенные запросы, JOIN, агрегации, оконные функции (базово). Английский — чтение документации и научных статей. Математическая база Линейная алгебра, теория вероятностей, математическая статистика. Понимание метрик качества и принципов валидации моделей (train/val/test, кросс-валидация, стратификация). Понимание переобучения, утечки данных (data leakage) и методов борьбы с ними. Статистический вывод: проверка гипотез, p-value, доверительные интервалы — применительно к оценке экспериментов. ML-инженерия PyTorch (основной) — уверенное владение: кастомные Dataset/DataLoader, обучение, валидация, сохранение/загрузка чекпоинтов. Построение пайплайнов подготовки данных и обучения: воспроизводимость (seed, версионирование данных), конфигурирование экспериментов. Деплой моделей: упаковка в сервис (FastAPI), версионирование, канареечные релизы (базово). Мониторинг: дрейф данных (data drift), деградация качества, алертинг. Оптимизация инференса: батчинг, квантизация, ONNX / vLLM / TGI / llama-cpp. Основы облачной инфраструктуры. RL-инфраструктура Понимание постановки MDP (состояния, действия, награды, политика, ценность). Experience replay, policy gradient vs value-based методы (базовое понимание). Опыт обучения агентов в симуляции: Isaac Lab / Gymnasium / PettingZoo / другие. Векторизованные среды, параллельный сбор опыта. Понимание sim-to-real transfer. Продуктовое мышление Умение переводить бизнес-задачу в техническую постановку. Способность объяснить результат нетехническим стейкхолдерам. Самостоятельность: доведение задачи от постановки до результата без пошагового руководства. Участие в планировании задач и архитектуры проектов: умение предложить структуру пайплайна, выбрать инструменты и обосновать выбор. Инструменты Python-экосистема для данных: pandas, NumPy. PyTorch — основной фреймворк; TensorFlow — как альтернатива (плюс). Hugging Face — работа с предобученными моделями и токенизаторами. W&B / MLflow — трекинг экспериментов. Docker (базово), CI/CD (GitHub Actions / GitLab CI). FastAPI / Pydantic — обёртка модели в API. Prometheus / Grafana — мониторинг; очереди (Celery / RQ), Redis, Postgres — базовая работа. GitLab — основная платформа. Будет плюсом C/C++, Rust, Go — для инфраструктурных задач и оптимизации. CUDA — написание кастомных ядер, профилирование. DeepSpeed, Flash Attention — оптимизация обучения больших моделей. vLLM — продакшен-инференс LLM. Unreal Engine 5 — понимание среды, в которой работают наши симуляции. JAX — альтернативный фреймворк. Доменная специализация: NLP / CV / графы / временные ряды. Условия ИТ-аккредитация компании. Официальное трудоустройство, полностью «белая» заработная плата. Социальный пакет по ТК РФ. Заработная плата обсуждается индивидуально по итогам собеседования. Адрес: г. Таганрог, ул. Котлостроительная, 2-6. График: 5/2, с 10:00 до 18:00, офисная занятость. Современный технически оснащённый офис. Возможность участвовать в разработке перспективных AI-продуктов, предлагать и реализовывать собственные технические решения. Дружная команда и комфортная рабочая атмосфера.