ML Engineer (Computer Vision / NLP / LLM) - RaccoonDoc

Про продукт

RaccoonDoc - це не просто «ще один OCR». Це український AI-продукт для автоматизації обробки документів (IDP), який перетворює хаос з актів, накладних, договорів, рахунків і сканів у структуровані дані, з якими можна працювати.

Наші клієнти - компанії, в яких документи не вимірюються "папками", а йдуть тисячами й десятками тисяч на місяць.

Ми шукаємо Machine Learning Engineer в продуктову команду RaccoonDoc, який хоче працювати з реальними даними та продакшн-моделями, а не тільки з датасетами з Kaggle.

Що ми робимо з ML

У RaccoonDoc ML - це не прикраса, а серце продукту. Ми:

• розробляємо моделі для:
  • розпізнавання структури документів (Object Detection, layout),
  • класифікації документів,
  • витягування сутностей (NER) та ключових полів;
• активно використовуємо Computer Vision + NLP + LLM:
  • CV для структури, полів, таблиць;
  • NLP / Transformers / LLM - для розуміння тексту, варіантів формулювань, "кривих" документів;
• виводимо моделі в продакшн на Azure / AWS.

Що ти будеш робити

• Розробляти, тренувати та вдосконалювати ML-моделі для документів:
  • Object Detection (розпізнавання полів, блоків, елементів на сторінці);
  • NER, Text Classification, витягування реквізитів.
• Працювати з трансформерами та LLM для задач обробки тексту (сурогатні поля, нормалізація, post-processing).
• Інтегрувати моделі в наш продукт:
  • обгортати їх у сервіси (Flask / FastAPI);
  • деплоїти в хмарі (Azure / AWS, Docker, CI/CD).
• Проходити повний цикл:
  • збір та підготовка даних (анотація, валідація, експерименти),
  • прототипування моделей,
  • A/B-тести, порівняння, вибір архітектури,
  • розгортання, моніторинг, ітерації.
• Оптимізувати існуючі моделі:
  • точність, швидкість, стабільність;
  • cost-ефективність у хмарі.
• Співпрацювати з розробниками, аналітиками та фаундером продукту - впливати на те, як виглядатиме RaccoonDoc через рік.

Технологічний стек

ML / AI:

• Python (основа всього),
• PyTorch / TensorFlow,
• Scikit-learn,
• YOLO (Object Detection),
• spaCy,
• Transformers (HuggingFace),
• LLM (OpenAI / інші).

Сервіси / Web:

• Flask, FastAPI,
• Docker.

Хмара (Azure / AWS):

• Azure Web Apps, Azure ML, Azure Functions, Azure DevOps, Service Bus, Application Insights, DB/Blob Storage,
• AWS SageMaker, AWS Lambda, AWS ECR.

Плюс:

• класичні алгоритми ML (Random Forest, SVM, KNN),
• робота з API.

Не обовʼязково знати все з цього списку, але чим більше реального досвіду - тим краще.

Необхідні навички та досвід

• 1+ рік комерційного досвіду на позиції ML Engineer / Data Scientist.
• Сильний Python + практичний досвід із бібліотеками:
  • PyTorch або TensorFlow,
  • Scikit-learn.
• Досвід хоча б з кількома задачами:
  • Object Detection (YOLO чи аналог),
  • NER,
  • Text Classification.
• Практичний досвід роботи з трансформерами / LLM (не лише статті, а реальні експерименти / проєкти).
• Розуміння принципів MLOps та досвід деплою моделей в одну з хмар (Azure або AWS).
• Досвід роботи з Docker (контейнеризація сервісів).
• Базове розуміння API (Flask / FastAPI) та того, як модель живе всередині сервісу.

Буде плюсом

• Досвід з Azure (Azure ML, Azure DevOps, Azure Functions) або AWS (SageMaker, Lambda).
• Досвід роботи з табличками / великими масивами текстових / документних даних.
• Розуміння домену:
  • фінанси, бухгалтерія, документообіг, операційні процеси.
• Досвід оптимізації моделей під продакшн (квантизація, prunning, latency/performance-трейд-оф).

Що ми пропонуємо

• Продукт, а не проєкт. Ти працюєш із ядром RaccoonDoc, а не з одноразовим кастомним рішенням.
• Реальні дані й реальний імпакт. Моделі будуть розгрібати живий "бардак" з документів українського бізнесу, а не ідеальні датасети.
• Динаміка стартапу + здоровий підхід. Швидкі рішення, мінімум бюрократії, але з нормальною інженерною культурою.
• Гнучкий формат. Віддалено з будь-якого міста України; ми розуміємо реалії війни, тривог і блекаутів.
• Ріст. Можливість рости в продукті, який будується навколо ML, а не "додає його зверху".

Процес найму

1. Короткий кол (до 30 хв) - знайомство, контекст продукту, твої очікування.
2. Технічний етап (60–90 хв) - обговорення твоїх продакшн-кейсів, архітектурних рішень, експериментів.
3. Співбесіда з фаундером (30–45 хв) - про бачення продукту, роль ML у RaccoonDoc, розвиток.
4. Оффер.

Якщо хочеш, щоб твої моделі не припадали пилом у репозиторії, а щодня економили сотні людино-годин на роботі з документами - відгукнися на цю вакансію.