VKСтарший DL-инженер
офис, Москва
Команда экспериментальных технологий развивает ML/DL-компоненты для AI‑ассистента в VK Видео: retrieval, reranking, генерацию и offline/online эксперименты. Роль важна для качества поиска, персонализации и диалога в продукте
ГрейдSenior
Стек
SparkYTGitLoRASFTRAGLLM
Задачи
- •Разработка и улучшение компонентов AI‑ассистента: intent, контекст диалога, маршрутизация инструментов
- •Улучшение candidate generation, semantic retrieval и reranking для поиска и рекомендаций
- •Сбор и улучшение обучающих и тестовых датасетов, создание golden datasets и human‑aligned evaluation
- •Обучение и дообучение моделей (LLM‑like, reranker, query rewriting, relevance)
- •Оптимизация latency, стоимости и ресурсов при обучении и инференсе; подготовка к промышленной эксплуатации
- •Проведение reproducible экспериментов, A/B‑тестов, анализ деградаций и code review
Обязательно
- •Сильная теоретическая база в рекомендательных системах, IR, NLP/LLM
- •Понимание retrieval и ranking: embeddings, candidate generation, negative sampling, cross‑encoders, reranking
- •Знание offline‑метрик поиска и рекомендаций (Recall@K, NDCG, MRR и др.)
- •Опыт обучения, валидации и внедрения ML‑моделей в production или production‑like среде
- •Навыки постановки воспроизводимых экспериментов и статистического анализа результатов
- •Опыт работы с большими объёмами данных и пайплайнами обработки (YT, Spark или аналогичные)
- •Базовые навыки Linux, Git и контейнеризации
Будет плюсом
- •Опыт создания LLM‑приложений: tool calling, agentic workflows, RAG, structured generation
- •Дообучение LLM или encoder‑моделей: SFT, LoRA/adapters, RL
- •Построение lexical, semantic или hybrid retrieval и LLM‑as‑a‑judge
- •Оптимизация GPU‑инференса: batching, quantization, model serving
- •Опыт распределённого обучения и промышленной ML‑инфраструктуры
- •Практика A/B‑тестирования рекомендательных или поисковых моделей
- •Мультимодальные модели и понимание видео/медиаконтента
- •Публикации по LLM, NLP или multimodal тематикам
