Разработка ИИ — удалённая работа в Москве

Пожелания и особенности: Здравствуйте. Ищу репетитора по deep learning и NLP для системной подготовки под конкретную цель. Сразу важное. Общий курс по Data Science мне не нужен. Нужна глубина в трансформерах, обучении моделей и математике под ними. О себе. Студент РЭУ им. Плеханова, выпуск 2027. Работаю AI-инженером на стажировке, занимаюсь LLM-агентами, RAG и дообучением трансформеров. Из проектов — агент поддержки банка на RuBERT с RAG на pgvector, собственный BPE-токенизатор и pretrain мини-Llama с нуля на русском корпусе, SFT поверх Qwen, агентская система с хакатона МТС на локальной модели. Всё лежит на github.com/ahiokk, в каждом README метрики и разбор граблей. Прошу посмотреть до первой встречи, так уровень будет понятнее. Где проблема. Практика ушла сильно вперёд теории. Я умею собрать и обучить, но плохо объясняю, почему оно устроено именно так, и часто подбираю параметры по чуйке, а не по пониманию. Что хочу закрыть. (Примеры) 1. Архитектура трансформера целиком. Attention и multi-head, позиционные кодировки, KV-кэш, зачем в современных LLM SwiGLU вместо ReLU и RMSNorm вместо LayerNorm. 2. Нормализация и стабильность обучения. BatchNorm против LayerNorm, pre-norm и post-norm, что происходит на инференсе. 3. Оптимизация. Градиенты и их затухание, learning rate и разогрев, инициализация весов, смешанная точность. 4. Дообучение. Полный файнтюн против LoRA, что реально происходит с весами, как выбирают ранг и alpha, катастрофическое забывание. 5. Математика под всё это. Линал, матан и теорвер в том объёме, чтобы выводить, а не запоминать. Список не финальный. Часть пробелов я, скорее всего, сам не вижу, поэтому и прошу внешнюю оценку. Что хочу от вас. Сначала диагностику. Прогоните меня по базе и скажите прямо, где уровень проседает. Дальше программу под цель, с домашками и спросом за них. Жёсткий формат подходит, к нагрузке готов! Цель. Позиция junior или middle AI-инженера в Сбере, направление NLP и LLM. Ориентируюсь за 10 месяцев. Организация. Онлайн, 1-2 раза в неделю по 1-2 часа. Напишите, пожалуйста, есть ли у вас собственный опыт работы с трансформерами и обучением моделей, стоимость занятия, наличие слотов и как проходит первое занятие.

Нужно разработать компактную систему автоматического дозирования концентрата в поток воды. Основная задача системы: пользователь выставляет необходимую концентрацию, например от 0 до 10%, после чего система автоматически подмешивает нужное количество концентрата в проходящий поток воды. Что необходимо предусмотреть: * отдельную ёмкость для концентрата; * датчик расхода воды; * дозирующий насос для концентрата; * контроллер, который будет рассчитывать необходимую подачу концентрата; * регулировку концентрации ориентировочно от 0 до 10%; * автоматический запуск дозирования при появлении потока воды; * автоматическую остановку подачи концентрата при прекращении потока; * обратные клапаны для исключения обратного движения жидкости; * возможность прокачки/заполнения химической магистрали; * желательно возможность промывки системы чистой водой. Пример работы: Если через систему проходит 1 литр воды в минуту и пользователь выставил дозировку 5%, система должна автоматически подать соответствующее количество концентрата. При изменении расхода воды количество подаваемого концентрата также должно автоматически изменяться, чтобы установленная пропорция оставалась примерно постоянной. Рабочий диапазон дозировки ориентировочно: 0–10%. Основное требование — стабильная и повторяемая дозировка, в том числе при частом включении и выключении потока воды. Необходимо на первом этапе: 1. Предложить принципиальную гидравлическую схему. 2. Подобрать необходимые комплектующие. 3. Предложить вариант электроники и управления. 4. Рассчитать, какой дозирующий насос потребуется. 5. Продумать способ регулировки концентрации. 6. Предусмотреть возможность последующей сборки рабочего прототипа. Желательно использовать доступные серийные компоненты, чтобы конструкция получилась относительно простой, надёжной и недорогой в производстве. От специалиста требуется опыт в разработке гидравлических/дозирующих систем, подборе насосов, расходомеров, клапанов и разработке несложной управляющей электроники. На первом этапе интересует именно разработка технического решения и схемы. В дальнейшем возможно изготовление и настройка прототипа.

Нужно разработать компактную систему автоматического дозирования концентрата в поток воды. Основная задача системы: пользователь выставляет необходимую концентрацию, например от 0 до 10%, после чего система автоматически подмешивает нужное количество концентрата в проходящий поток воды. Что необходимо предусмотреть: * отдельную ёмкость для концентрата; * датчик расхода воды; * дозирующий насос для концентрата; * контроллер, который будет рассчитывать необходимую подачу концентрата; * регулировку концентрации ориентировочно от 0 до 10%; * автоматический запуск дозирования при появлении потока воды; * автоматическую остановку подачи концентрата при прекращении потока; Пример работы: Если через систему проходит 1 литр воды в минуту и пользователь выставил дозировку 5%, система должна автоматически подать соответствующее количество концентрата. При изменении расхода воды количество подаваемого концентрата также должно автоматически изменяться, чтобы установленная пропорция оставалась примерно постоянной. Рабочий диапазон дозировки ориентировочно: 0–10%. Основное требование — стабильная и повторяемая дозировка, в том числе при частом включении и выключении потока воды. Необходимо на первом этапе: 1. Предложить принципиальную гидравлическую схему. 2. Подобрать необходимые комплектующие. 3. Предложить вариант электроники и управления. 4. Рассчитать, какой дозирующий насос потребуется. 5. Продумать способ регулировки концентрации. 6. Предусмотреть возможность последующей сборки рабочего прототипа. Желательно использовать доступные серийные компоненты, чтобы конструкция получилась относительно простой, надёжной и недорогой в производстве. От специалиста требуется опыт в разработке гидравлических/дозирующих систем, подборе насосов, расходомеров, клапанов и разработке несложной управляющей электроники. На первом этапе интересует именно разработка технического решения и схемы. В дальнейшем возможно изготовление и настройка прототипа.

ПО для массовой замены изображений с помощью ИИ в режиме изображение в текст, текст в изображение, с доказательной базой данных.

Пожелания и особенности: Обучающий курс для ребёнка 10 лет по генерации фото/видео в нейросети.

Пожелания и особенности: Нужно тех задание для бесплатного ии чтобы корректо извлекать данные из извещений закупок на еис. Пишите стоимость вашей работы.

Ищем специалиста для участия в проекте внедрения AI-модулей автоматизации закупочной деятельности на Калининской АЭС. Решение разворачивается в защищённой инфраструктуре заказчика и интегрируется с автоматизированной системой ГФ-3011-91. Задачи Проектировать архитектуру локальных AI-модулей и потоки данных. Адаптировать и дообучать LLM/NLP-модели для анализа технических заданий и закупочной документации. Разрабатывать функциональность для: проверки ТЗ на соответствие типовой форме; поиска структурных, логических и содержательных ошибок; извлечения и проверки ссылок на ГОСТ, ТУ, РД и другие нормативные документы; формирования ТЗ по утверждённым шаблонам; подготовки бренд-нейтральных требований; автоматического подбора кодов ОКПД2; поиска и ранжирования аналогов по рынку и прошлым договорам; автоматизированного исправления выявленных несоответствий. Настраивать парсинг DOCX, PDF, XLS/XLSX, ODT и других офисных форматов, включая таблицы, списки, изображения и многоуровневую структуру документов. Реализовывать семантический поиск, векторизацию, ранжирование и формирование обоснованных рекомендаций. Интегрировать модули с системой заказчика через API, единую аутентификацию и ролевую модель. Участвовать в подготовке датасетов: сборе, очистке, разметке и оценке качества. Проводить модульное, интеграционное, функциональное и нагрузочное тестирование. Готовить техническую и эксплуатационную документацию, участвовать в приёмочных испытаниях. Требования Опыт разработки решений на базе LLM, NLP или машинного обучения от 3 лет. Уверенное владение Python и профильными ML/NLP-фреймворками. Опыт работы с одной или несколькими технологиями: Transformers, PyTorch; RAG и векторные базы данных; embeddings, semantic search, reranking; OCR и парсинг документов; prompt engineering, fine-tuning, LoRA. Опыт разработки backend-сервисов и REST API. Знание Linux, Docker/Podman и контейнерной инфраструктуры. Опыт работы с PostgreSQL или другими СУБД, системами логирования и мониторинга. Понимание принципов информационной безопасности, разграничения доступа и защиты данных. Опыт подготовки архитектурной и технической документации. Умение работать с требованиями заказчика и доводить решение до приёмочных испытаний. Готовность при необходимости выезжать на площадку Калининской АЭС и проходить обязательное обучение по охране труда и электробезопасности. Будет преимуществом Опыт развёртывания AI-решений в закрытом контуре без использования внешних облачных сервисов. Опыт работы с Astra Linux, МойОфис и LibreOffice. Знание закупочных процессов, ОКПД2, 223-ФЗ и 44-ФЗ. Опыт работы с нормативно-технической документацией: ГОСТ, ТУ, РД, ОСТ. Опыт реализации решений для крупных промышленных, государственных или инфраструктурных заказчиков. Знание требований к КИИ и разработке документации по информационной безопасности. Навыки технического лидерства и координации команды разработки.