Гжельский переулок 12/3с1
CURE AI развивает интеллектуальную платформу для управления сложными инфраструктурными системами: зданиями, городскими сервисами, оборудованием и подключёнными внешними контурами. Мы создаём когнитивный runtime, который объединяет данные, модели, reasoning, прогнозирование, симуляцию и безопасное исполнение решений.
Ищем ML-разработчика, который будет работать в команде над отдельными субмодулями большой AI-системы: от retrieval и embedding-пайплайнов до моделей наблюдений, прогнозирования, World Model и механизмов outcome learning. На интервью подробно расскажем об архитектуре, конкретном направлении и зоне ответственности.
Задачи
- Разрабатывать и развивать ML-компоненты когнитивного runtime.
- Работать над одним или несколькими направлениями: embeddings и retrieval, нейронные модели наблюдений, временные ряды, anomaly detection, predictive/world-model слои, causal observations и outcome learning.
- Создавать и поддерживать пайплайны подготовки, валидации и хранения датасетов.
- Разрабатывать embedding/retrieval-пайплайны для памяти системы, знаний, похожих событий и tenant-specific context.
- Интегрировать ML-компоненты с backend-сервисами через FastAPI и API-контракты.
- Оптимизировать инференс и runtime-поведение моделей: GPU/CPU execution, ONNX Runtime, fallback-стратегии при недоступности CUDA или локальной модели.
- Работать с внешними LLM API и внутренней модельной инфраструктурой, включая MoE-архитектуры и будущие LoRA-адаптеры.
- Участвовать в разработке нейросимвольных модулей reasoning-слоя совместно с backend- и research-командами.
- Формировать воспроизводимые ML-эксперименты, метрики качества, KPI evidence и обучающие traces.
- Участвовать в проектировании safe fallback-паттернов, tenant-safe personalization и privacy-aware работы с данными.
Технологический стек
Основной стек:
Python 3.11/3.12;
PyTorch, NumPy;
Hugging Face Transformers;
Sentence Transformers;
ONNX Runtime;
Qdrant;
PostgreSQL;
Redis;
FastAPI для интеграции ML-компонентов с backend;
Docker, Docker Compose;
Git.
Модельная инфраструктура:
• Внешние LLM API как текущий inference/provider layer;
• MoE-компоненты и маршрутизация экспертов;
• CUDA-aware execution, GPU-проверки и fallback на API или CPU-режим;
• LoRA-адаптеры для будущей специализации и персонализации;
• Torch-based runtime для небольших внутренних моделей;
• Embeddings, vector search, retrieval и memory pipelines.
Данные и обучение:
Временные ряды телеметрии;
Event ledger и causal observations;
Synthetic data generation;
Базовые модели по часам, дням и типам событий;
Outcome learning и pending learning tasks;
KPI evidence и оценка результатов решений;
Контекстная и tenant-safe персонализация.
Обязательные требования:
Уверенное владение Python и PyTorch.
Практический опыт разработки, обучения или интеграции ML-моделей в production-окружение.
Опыт работы с embeddings, semantic search, vector databases или RAG/retrieval-пайплайнами.
Понимание жизненного цикла ML-компонента: данные, подготовка, inference, метрики, мониторинг, деградация модели.
Опыт работы с Docker и Git.
Понимание REST API и принципов интеграции ML-сервисов с backend.
Умение писать поддерживаемый, тестируемый и воспроизводимый код.
Английский, достаточный для чтения технической документации и работы с ML-инструментами.
Будет преимуществом:
Практическое понимание model-based learning и world models.
Опыт с временными рядами, прогнозированием или детекцией аномалий.
Знание causal inference на прикладном уровне.
Опыт оптимизации inference через ONNX Runtime, CUDA, batching, quantization или GPU-aware deployment.
Опыт с LoRA, fine-tuning, MoE или LLM routing.
Понимание нейросимвольных систем, rule engines либо связки ML и формального reasoning.
Опыт работы с приватными, чувствительными или мультиарендными данными.
Понимание подходов safe ML: confidence thresholds, human/system fallback, fail-safe execution.
Испытательный срок 4 месяца, далее при выполнении всех требований повышение до 7000$
‼️Если уверены в своих навыках можете писать в тг @DWassD с пометкой ML Developer и приложить резюме
