ML Team Lead (NLP) в Дзен, Москва

Мы — команда, которая разрабатывает и поддерживает контентные модели для всех сервисов рекомендательной платформы. Наши модели влияют на качество рекомендаций в масштабе продукта: от понимания контента до генеративных сценариев и персонализации. Работаем в research-ориентированной среде, быстро проверяем гипотезы и доводим решения до production. 

Примеры задач команды:

Задачи классификации текстового контента, NER, проекты, связанные с генерацией, классический ML и NLP. Например, задача саммаризации текстовых документов.

Задачи

• Формировать техническое видение контентных моделей и их роли в рекомендательной платформе: roadmap, приоритеты, качество, скорость внедрения. 
• Управлять командой ML/DL-инженеров и исследователей: подбор, развитие, регулярный фидбек, построение процессов (планирование, ревью, обмен знаниями). 
• Отвечать за полный ML lifecycle:  от сбора данных и построения моделей до внедрения и мониторинга качества.
• Координировать эксперименты и R&D: постановка гипотез, дизайн экспериментов, A/B, интерпретация результатов и принятие решений. 
• Развивать направление LLM: применение LLM для сложных пользовательских задач, проектирование и  интеграция в продукт. 
• Обеспечивать production-ready качество: надежность, воспроизводимость, мониторинг метрик. 
• Оптимизировать инференс и стоимость: ускорение DL/LLM (квантование, дистилляция, TensorRT-LLM и аналоги). 
• Вести коммуникацию со смежными командами (рекомендации, продукт, инфраструктура, аналитика): синхронизация требований, интеграции, договоренности по метрикам. 
• Работать с мощной инфраструктурой (в т.ч. GPU H100/кластеры): планирование ресурсов, повышение утилизации.  

Требования

• Опыт руководства ML/DS/Research-командой более года.
• Общий опыт в ML/DL 5+ лет, выраженная экспертиза в NLP и современных Transformer-архитектурах.
• Глубокое понимание метрик качества (offline/online), умение связывать модельные улучшения с бизнес-результатами. 
• Практический опыт PyTorch + Hugging Face.
• Опыт построения end-to-end ML-пайплайнов: подготовка данных, обучение, валидация, деплой, мониторинг, воспроизводимость. 
• Понимание/опыт работы с LLM, включая fine-tuning/адаптацию, промптинг, RAG. 
• Знание методов ускорения и оптимизации инференса: квантование, дистилляция, оптимизация вычислений. 
• Сильные навыки коммуникации: умение вести дискуссии, защищать решения, объединять людей вокруг целей.