Data Science (NLP / LLM) ИИ

Вместе с нами тебе предстоит: Разработка и развитие моделей матчинга вакансий и резюме (семантический поиск, ранжирование, скоринг кандидатов по релевантности и качеству). ​Построение NLP‑пайплайнов: извлечение сущностей из вакансий и резюме, нормализация навыков, кластеризация профессий/ролей. ​Проектирование и проведение экспериментов (A/B‑тесты, оффлайн‑эксперименты) для оценки влияния моделей на конверсию: просмотр → отклик → оффер. ​Совместно с продуктом и разработчиками — интеграция моделей в сервисы подбора (API, UX‑требования, latency/стоимость инференса, мониторинг деградации). ​Поддержка и улучшение существующих моделей: переобучение на новых данных, борьба с дрейфом, оптимизация скорости и стоимости (CPU/GPU). ​Исследование и внедрение LLM/RAG для интеллектуального ассистента рекрутера: генерация резюме/откликов, автоподбор кандидатов, ответы на вопросы по базе вакансий. Какие знания и навыки для нас важны: Опыт работы в DS/ML от 2–3 лет, решённых боевых задач в проде. ​Уверенный Python для продакшн‑кода, хорошее владение SQL. ​Понимание классического ML (classification, ranking, clustering, anomaly detection), метрик (ROC‑AUC, PR‑AUC, F1, NDCG). ​Уверенный опыт в NLP: обработка русскоязычного текста, эмбеддинги, text classification, similarity search. ​Опыт анализа данных и A/B‑экспериментов, умение формулировать и проверять гипотезы. Понимание и обязательна практика работы с LLM и RAG: выбор моделей, дообучение/инструкционное дообучение, построение пайплайнов поиска по базе знаний. Знание стека: Языки: Python 3.x, SQL (PostgreSQL/Greenplum/ClickHouse). ML/DL: scikit‑learn, LightGBM/CatBoost/XGBoost, PyTorch (желательно). ​NLP/LLM: transformers, sentence‑transformers, HuggingFace, fastText/word2vec; RAG‑фреймворки (LangChain, LlamaIndex – плюс).