ML/LLM-инженер в Газпромнефть Снабжение Санкт-Петербург

Наша команда развивает ИИ-решения для автоматизации закупочных процессов: обработки заявок, коммерческих предложений, технических предложений, договоров, спецификаций, протоколов и сопутствующих документов. Ищем ML/LLM - инженера с практическим опытом в generative AI, который умеет быстро запускать и проверять модели, собирать прототипы и демо, а затем встраивать удачные решения в рабочие сервисы.

Обязанности:

Разработка ML/LLM-компонентов для закупочных процессов

• Разработка пайплайнов OCR/LLM-извлечения данных из PDF, DOCX, XLSX, сканов, писем и вложений.

• Формирование черновиков аналитических записок, протоколов сравнения, обоснований и итоговых материалов.

• Интеграция ML-компонентов в backend-сервисы через API.

Прототипирование и запуск open-source моделей

• Запуск и адаптация моделей с GitHub, Hugging Face и других open-source источников.

• Создание рабочих ML/AI-прототипов и демо-стендов в короткие сроки.

• Проверка применимости новых моделей и подходов на реальных данных.

• Адаптация research/demo-кода под практические задачи.

• Создание демо-интерфейсов для бизнеса и внутренних пользователей.

LLM, RAG и structured output

• Построение RAG/hybrid search по договорам, закупкам, КП, технической документации и справочникам.

• Разработка retrieval-логики, embeddings, rerank, chunking-стратегий и фильтрации по метаданным.

• Реализация structured output через LLM: JSON Schema, pydantic-схемы, function calling / tool calling.

• Валидация, нормализация и постобработка ответов модели.

• Настройка confidence score и правил обработки ошибок.

• Снижение галлюцинаций, невалидных JSON-ответов и неполных структурированных результатов.

Backend и frontend

• Разработка backend-сервисов и frontend на Python (с Streamlit и Gradio)
• Реализация REST API и асинхронных пайплайнов обработки задач.
• Работа с FastAPI, pydantic, async/sync API.
• Работа с очередями и брокерами сообщений: Celery, Kafka, RabbitMQ или аналогами.
• Интеграция ML/LLM-компонентов с поиском, базами данных, файловыми хранилищами и пользовательскими интерфейсами

Evaluation и контроль качества

• Разработка метрик качества ML/LLM-модулей и пайплайнов разметки/валидации.

• Оценка качества классификации (accuracy, precision, recall, F1), извлечения атрибутов (exact/partial match, полнота схем), RAG (precision, recall, MRR, nDCG, hit rate) и LLM-ответов (фактологичность, полнота, цитирование).

• Подготовка регрессионных наборов и эталонных примеров.

• Организация human-in-the-loop разметки и анализа ошибок.

• Проектирование сценариев, где модель предлагает результат, пользователь подтверждает или исправляет, а исправления сохраняются для дальнейшего улучшения системы.

Generative AI и мультимодальные модели

• Запуск и адаптация генеративных моделей для текста, изображений и мультимодальных сценариев.

• Подбор моделей под конкретные прикладные задачи: извлечение информации, классификация, визуальный анализ, генерация, сравнение объектов.

• Уверенный навык Python, Streamlit и Gradio.

• Опыт разработки backend-сервисов на FastAPI или аналогичных фреймворках.

• Опыт работы с REST API, Docker, конфигурациями, секретами и CI/CD.

• Умение писать код, который можно сопровождать, отлаживать, тестировать и передавать.

• Опыт работы с очередями и асинхронной обработкой задач будет преимуществом.

• Желательно понимание async/sync API, pydantic, типизации, тестирования, логирования и обработки ошибок.

LLM/RAG-практика

• Практический опыт разработки RAG-систем, понимание embeddings, rerank, chunking, hybrid search, grounding, prompt engineering.

• Опыт работы с tool calling / function calling и многошаговыми LLM-пайплайнами.

• Опыт получения structured output от LLM.

• Практика работы с JSON Schema, pydantic-моделями, structured output и валидацией результатов.

• Понимание типовых проблем LLM: галлюцинации, потеря контекста, невалидный JSON, неполные ответы, нестабильность результата.

• Умение оценивать качество LLM/RAG-пайплайнов не только визуально, но и через метрики и тестовые наборы.

Быстрый запуск моделей и generative AI

• Практический опыт запуска open-source моделей с GitHub и Hugging Face, работа с PyTorch и Hugging Face Transformers, умение быстро разобраться с чужим research/demo-кодом.

• Понимание зависимостей ML-проектов, окружений, CUDA, GPU-инференса и типовых проблем запуска моделей; опыт создания быстрых демо на Gradio, Streamlit, FastAPI или аналогичных инструментах.

• Опыт работы с генеративными моделями — важное преимущество.

• Опыт с Stable Diffusion, SDXL, ControlNet, LoRA или аналогичными image generation подходами — преимущество.

• Понимание VQA, vision-language models и мультимодальных сценариев — преимущество.

Поиск и базы данных

• Опыт работы с OpenSearch, Elasticsearch, PostgreSQL или аналогичными системами.

• Понимание полнотекстового, векторного и гибридного поиска; индексов, фильтров, справочников и метаданных.

• Опыт построения поиска по документам, чанкам, атрибутам и структурированным данным; trade-off между качеством поиска, скоростью, памятью и стоимостью индексации.

• Опыт работы с SQL и базовыми схемами хранения данных.

ML evaluation

• Умение считать качество ML/LLM-компонентов.

• Понимание accuracy, precision, recall, F1 для классификации, precision/recall для извлечения сущностей и атрибутов, использование exact match и partial match для оценки структурированного извлечения.

• Оценка качества RAG-ответов: релевантность источников, фактологичность, полнота, корректность цитирования.

• Умение готовить тестовые выборки, эталонные примеры и регрессионные наборы.

• Понимание human-in-the-loop подхода к разметке, исправлению и улучшению качества.

Информационное извлечение

• Опыт NER, классификации и нормализации сущностей; извлечение закупочных атрибутов (наименование МТР, количество, единицы, сроки, цена, валюта, технические параметры) и сопоставление со справочниками.

• Нормализация единиц, валют, дат, чисел и текстовых характеристик; правила валидации и проверки полноты данных.

• Понимание выбора подхода: классические алгоритмы, ML-классификация или LLM для разных задач..

• Оформление по договору ГПХ , срочный договор до конца 2026 с возможностью продления по результатам.

• Гибкий формат работы.

• Конкурентная проектная ставка, прозрачная система приёмки этапов.

• Доступ к корпоративным ресурсам, современному стеку и техническому менторству.

• Возможность перехода на постоянную основу по итогам проекта.