Descrição
- Обязанности: Сбор и очистка данных. Поиск источников информации, парсинг, фильтрация шумов, устранение пропусков и подготовка датасетов для обучения моделей.
- Разметка данных. Организация и контроль процесса разметки изображений, текстов или аудиозаписей, написание инструкций для асессоров.
- Feature Engineering. Выделение и генерация значимых признаков из сырых данных для повышения точности предсказаний алгоритмов.
Разработка и обучение моделей (ML / DL / LLM)
- Выбор архитектуры. Подбор подходящих алгоритмов машинного обучения или нейросетевых архитектур (трансформеры, сверточные сети) под конкретную бизнес-задачу.
- Обучение и дообучение (Fine-tuning). Тренировка моделей с нуля или адаптация готовых крупных языковых моделей (LLM) и моделей компьютерного зрения под специфику компании.
- Промпт-инжиниринг и RAG. Создание систем генерации с дополненной поисковой выдачей (RAG) для работы ИИ с корпоративными базами знаний без «галлюцинаций».
- Оценка качества. Тестирование моделей на контрольных выборках, расчет метрик точности (Precision, Recall, F1, ROC-AUC) и проведение A/B-тестов.
Внедрение и эксплуатация (MLOps)
- Интеграция в продакшн. Упаковка обученных моделей в микросервисы (REST API, gRPC, Docker) для взаимодействия с сайтами, приложениями или внутренними системами.
- Оптимизация производительности. Ускорение работы нейросетей (квантизация, дистилляция) для снижения нагрузки на серверы и уменьшения времени отклика.
- Мониторинг и поддержка. Отслеживание деградации моделей в реальн
Descrição completa, empresa e link para se candidatar: depois de entrar.
EntrarOs contatos do empregador (e-mail/telefone/telegram) ficam ocultos na prévia pública.
Envie seu currículo para que os empregadores possam falar com você diretamente.