Место работы: г. Москва, Арбат улица, г. Москва, Арбат, 24
Описание
Вакансия компании: ООО ТЕРРИКСА О вакансии TERRIXA — интеллектуальная система для работы с техническими документами и производственными данными
Ищем ML/LLM-инженера, который будет развивать подготовку данных, классификацию запросов и оценку качества ответов, а также участвовать в тестировании сквозных сценариев анализа документов и отчётов по скважинам
Чем предстоит заниматься Формировать, размечать и актуализировать наборы пользовательских запросов и эталонных ответов для обучения и тестирования
Поддерживать сбалансированные выборки по типам задач: общий поиск по документам, точные значения из таблиц, графовые связи, расчёты и вызов агентов
Развивать и оценивать классификацию намерений пользователя и маршрутизацию запросов между компонентами системы
Проверять качество ответов на технических документах и суточных отчётах
Участвовать в проверке сводного анализа группы отчётов: по одной скважине за период и по нескольким скважинам за период
Оценивать полноту и корректность сводных результатов: выполненные работы, статусы, выявленные проблемы и динамика
Тестировать сквозной цикл обработки документов: загрузка, извлечение данных, запись в базы, выполнение запросов и получение результата, в том числе в Excel
Разбирать ошибки и случаи отсутствия результата, группировать причины и предлагать улучшения качества
Настраивать и оценивать локальный запуск моделей на GPU/CPU, включая Ollama или vLLM, параметры параллельной обработки и таймауты
Работать совместно с разработчиками парсера, backend-командой и тестировщиками
Документировать эксперименты и результаты
Что важно для этой работы Опыт работы ML-, NLP- или LLM-инженером
Уверенный Python и практические навыки обработки данных, в том числе с pandas
Опыт подготовки датасетов, разметки данных, оценки классификаторов и анализа ошибок
Понимание LLM/RAG-систем, поиска по документам и подходов к оценке качества ответов
Практический опыт работы с SQL и структурированными данными
Умение тестировать пайплайны обработки документов и находить причины некорректных результатов
Навыки работы в Linux-среде и чтения логов
Умение ясно фиксировать ход эксперимента, результаты и ограничения
Будет преимуществом Опыт с Hugging Face Transformers, scikit-learn, PyTorch или аналогичными инструментами
Практика запуска LLM через Ollama или vLLM и настройки инференса на GPU
Опыт с векторными и графовыми базами данных
Опыт обработки PDF, DOCX, Excel и документов со сложными таблицами
Знакомство с нефтегазовой тематикой, буровыми процессами и суточными рапортами
Опыт нагрузочного тестирования на больших наборах документов
Задачи на первые месяцы Разобраться в текущих наборах данных и сценариях классификации запросов
Согласовать воспроизводимый набор тестов и метрики качества для ключевых типов поиска и отчётных сценариев
Регулярно предоставлять команде разбор ошибок с примерами и предложениями по улучшению
Помочь стабилизировать оценку работы моделей в документном пайплайне и отчётных сценариях