InvntaСтроим ИИ-агента, который управляет магазином на маркетплейсах
Платформа ведёт цены, рекламу и поставки тысяч товаров на Ozon и Wildberries круглосуточно, а ИИ-агент объясняет каждое решение. Ищем сеньоров в ядро платформы и в собственные модели.
Senior Software Engineer / Python + Rust
Ядро платформы: стратегии управления ценой и рекламой, коннекторы к Ozon и Wildberries, события в реальном времени. Развиваем микросервисную архитектуру на Rust и Python — в большинстве задач первый выбор Rust.
ОткликнутьсяPython и Rust — оба обязательны: один язык 4+ лет в продакшене, второй — 2+
- Развитие микросервисной архитектуры на Rust и Python — Rust первый выбор в большинстве задач
- Вывод в production стратегий управления ценой и рекламой
- Поддержка и развитие коннекторов к маркетплейсам: Ozon, Wildberries — очереди, повторы, идемпотентность
- WebSocket-коннекторы для realtime-аналитики на Tokio и tungstenite
- gRPC-сервисы на Tonic, связь Python- и Rust-сервисов
- Профилирование и оптимизация горячих путей
- Сборка, выкатка и наблюдаемость: CI/CD, окружения, логи, метрики
- Python и Rust в продакшене — оба обязательны: один язык 4+ лет, второй 2+
- FastAPI и глубокий async: asyncio, пулы соединений, конкурентный доступ
- Async Rust: Tokio, Future и Pin, отмена, backpressure; владение и времена жизни
- PostgreSQL: индексы, планы запросов, миграции без простоя
- ClickHouse: аналитические запросы, движки MergeTree, агрегаты на больших объёмах
- Очереди и события: RabbitMQ, Kafka, Celery
- DevOps: Docker, CI/CD, Linux, выкатка без простоя, мониторинг
- SOLID, паттерны проектирования, тесты как часть задачи
- Статистика, эконометрика, проектирование и backtest экономических моделей
- Базовый Data Science
- Qdrant и векторный поиск
- LLM-агенты в продакшене
- Опыт с маркетплейсами
Senior AI Engineer / LLM
Строим ИИ-агента для управления онлайн-ритейлом. Venta AI разбирает данные товара, объясняет решения стратегий и пишет описания карточек — на моделях с открытыми весами, thinking и instruct, которые мы дообучаем под свои задачи. Инференс — в облаке.
Откликнутьсялет в ML, из них 2+ — LLM в продакшене
- Выбор и оценка открытых моделей instruct и thinking — Qwen, DeepSeek, Kimi — под задачи платформы
- Дообучение: SFT, LoRA и QLoRA, DPO на диалогах и разборах Venta AI
- Инференс на vLLM и SGLang: батчинг, квантизация, кэш, стоимость токена
- Администрирование облачного GPU-кластера: планирование нагрузки, мониторинг, отказоустойчивость
- Оценка качества моделей: свои наборы задач, сравнение версий перед выкаткой, LLM-as-judge
- RAG и агент: поиск по Qdrant, инструменты LangGraph, вызов функций
- Открытые модели instruct и thinking: Qwen, DeepSeek, Kimi — запуск, сравнение, ограничения
- Дообучение: LoRA, QLoRA, полный fine-tune, SFT и обучение на предпочтениях (DPO)
- Инференс: vLLM и SGLang — настройка под нагрузку и память
- GPU-кластер в облаке
- Оценка качества моделей: наборы задач, метрики, сравнение версий
- Python и PyTorch глубоко
- ШАД Яндекса
- MoE-модели
- Спекулятивное декодирование
- Русскоязычные корпуса и разметка
- Triton и свои CUDA-ядра
- Опыт с маркетплейсами
Пришлите резюме и ссылки на код (GitHub, GitLab) — в теме письма укажите вакансию. support@invnta.ru