Разработка машинного обучения — удалённая работа в Москве

Пожелания и особенности: Помочь устроиться ML NLP engineer.

Сделать алгоритм на основании тех данных, что я выдам.

Хочу найти специалиста, который поможет подготовиться к ml собеседованию в Бигтех.

Составить модели ПВД(подогревателей высокого давления) поверхностного типа для турбины К-200-130 с заданными параметрами. Количество подогревателей - 3. Каждый подогреватель должен быть составлен в отдельном файле. Итоговый файл должен включать субмодель всех трех подогревателей в одном месте. Расчет моделей произвести в программе SimInTech.

Пожелания и особенности: Нужен репетитор для освоения ml , а так же помощь в изучении питона.

Пожелания и особенности: Ищем ML/NLP-разработчика для работы над голосовой диалоговой системой на базе LLM. Проект МТС Нужно развивать существующее решение: постепенно переводить диалоговую систему со сценариев/графа на LLM-based подход, отлаживать NLP- и voice-пайплайн, устранять latency, ошибки интентов и галлюцинации моделей. Основные задачи: — работа с LLM/SLM: few-shot, prompt engineering, fine-tuning; — классификация интентов на BERT; — fine-tuning LLM через PEFT / LoRA / QLoRA; — интеграция и отладка ASR, в том числе GigaAMv2; — работа с TTS и voice cloning, дообучение и оптимизация моделей; — оптимизация inference под low latency; — streaming ASR/TTS и работа с аудио в реальном времени; — самостоятельный дебаг и реализация архитектурных решений. Обязательный стек: Python, PyTorch, Hugging Face, LLM/NLP, BERT. Также нужен опыт или уверенное понимание Go: — базовый дизайн сервисов; — типизация, slices/maps; — goroutines, channels и синхронизация; — pointers; — observability. Будет плюсом: — vLLM / TensorRT-LLM / Triton / ONNX Runtime; — gRPC; — Kubernetes; — TCP. Формат: удалённо, РФ. В отклике, пожалуйста, коротко напишите: 1. Какой у вас практический опыт с LLM/NLP и fine-tuning? 2. Работали ли с ASR/TTS и streaming audio? 3. Какой опыт с Go? 4. С каким inference-стеком работали? Без опыта с голосовой системы тоже готовы рассмотреть.

Пожелания и особенности: Делаем полный стек: edge-нода на корте ? backend ? мобильное приложение с разборами для игроков и метриками для клубов. Pre-seed закрывается, первый пилотный клуб подключён, поток данных пошёл. найм. Стек • Edge: NVIDIA Jetson Orin Nano Super (67 TOPS), CUDA 12.6 / cuDNN 9.3 / TensorRT 10.3, JetPack 6.2.1 • CV: YOLO26 family (detect / pose / seg) — единый стандарт, BoT-SORT для трекинга • Видео: GStreamer + NVDEC, RTSP с Hikvision-камер (на seed-этапе — AR0234 global shutter, CSI) • Backend: Python 3.12 / FastAPI, PostgreSQL 17 • Mobile: Flutter • ML-стек: PyTorch, ONNX, TensorRT, OpenCV, NumPy О роли Ты — единственный ML/CV-инженер на этапе MVP. Полностью отвечаешь за пайплайн компьютерного зрения от RTSP-стрима до структурированной аналитики матча. Архитектура edge-ноды зафиксирована (1 нода на 2 камеры, [Email скрыт]?736, ~76 FPS подтверждено) — твоя задача довести её до продакшна и наращивать качество моделей. Задачи • Production-pipeline на Jetson: GStreamer (NVDEC RTSP) ? YOLO26 ? BoT-SORT ? backend • Court keypoints (12 точек) + homography ? mini-court overlay в реальном времени • Pose estimation игроков (YOLO26-pose), интеграция с трекингом • Классификация ударов (forehand / backhand / smash / volley / lob) — модель с нуля, на скелетных фичах + траектории мяча; собственный сбор и разметка датасета • Оптимизация инференса под Jetson Orin Nano Super: TensorRT, INT8-квантизация, batch=2, target ? 30 FPS на 2 потока • Tracking quality: BoT-SORT + ReID, целевой MOTA ? 0.75 на падел-видео • Разметка и MLOps: CVAT, active learning, версионирование датасетов • Совместная работа над архитектурой backend ? edge (форматы событий, синхронизация камер).