ML Engineer | FORMA

Мови програмування: впевнене володіння Python (NumPy, Pandas, scikit-learn), базове знання Go або Node.js.

ML фреймворки: практичний досвід із PyTorch, TensorFlow або Hugging Face Transformers.

Моделі та архітектури: розуміння принципів роботи LLM, CNN, RNN, Attention, fine-tuning і quantization моделей.

ML Ops: досвід деплойменту моделей у продакшн, інтеграція з CI/CD пайплайнами.

Інфраструктура: базові знання AWS S3 / Lambda / SageMaker / ECS або GCP Vertex AI, моніторинг inference-сервісів.

Робота з даними: досвід із SQL, NoSQL, Parquet/Feather форматами та обробкою датасетів.

Оптимізація моделей: досвід із quantization, pruning, distillation, batching inference, використанням GPU/TPU.

API інтеграції: створення та інтеграція моделей через FastAPI / gRPC / REST (опційно).

Використання LLM API: досвід роботи з OpenAI, Anthropic, Hugging Face Hub, LangChain або Ollama.

GitHub flow, code review, версіонування експериментів (Weights & Biases / MLflow).

Командність і відповідальність — вміння ефективно взаємодіяти з командою, прозоро комунікувати та брати відповідальність за результат.

Проактивність — ініціювання рішень і покращень, інтерес до ML-проєктів поза роботою (пет-проєкти, хакатони, комʼюніті).

Аналітичність — здатність розібратися у вимогах, ставити коректні питання та приймати технічно обґрунтовані рішення.

Адаптивність — комфорт у динамічних умовах, швидке занурення в нові технології та перемикання між задачами.

Самоорганізація — вміння планувати робочий час, працювати з пріоритетами й формувати власний робочий план.

Фідбек-культура — відкритість до зворотного звʼязку та вміння надавати його конструктивно.