ML/AI Developer

• 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