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

Про продукт

RaccoonDoc - це український AI-продукт для автоматизації обробки та розпізнавання документів.

Ми працюємо не з ідеальними PDF і не з навчальними датасетами, а з реальними документами бізнесу - актами, накладними, рахунками, договорами, сканами, фото, таблицями, нестандартними шаблонами, поганою якістю зображень і всім тим “документним хаосом”, який щодня проходить через бухгалтерію, фінанси, логістику та операційні підрозділи компаній.

Наші клієнти - компанії, де документи вимірюються не десятками, а тисячами й десятками тисяч на місяць.

Ми шукаємо Middle ML Engineer у продуктову команду RaccoonDoc - інженера, який уже має практичний досвід з ML/NLP/CV/LLM-задачами, вміє самостійно рухати задачі від ідеї до робочого рішення і не потребує постійного менторства.

Нам потрібна людина, яка не просто тренувала модель, а розуміє, що відбувається після цього - якість, швидкість, продакшн, інтеграція, стабільність, моніторинг, компроміси між точністю, вартістю та latency.

Що ти будеш робити

Працювати над ML/AI-ядром RaccoonDoc для розпізнавання, класифікації, розділення, аналізу та валідації документів.

Основні задачі:

• розробляти та покращувати ML-моделі для обробки документів;
• працювати з задачами Computer Vision, OCR, NLP, NER, LLM/VLM;
• будувати пайплайни обробки документів - від вхідного файлу до структурованих даних;
• покращувати якість витягування полів із документів;
• працювати з класифікацією документів, визначенням типів документів, розділенням багатосторінкових файлів;
• аналізувати помилки моделей і пропонувати конкретні способи покращення;
• експериментувати з open-source моделями, OCR, LLM/VLM та оцінювати їхню придатність для продакшн-використання;
• оптимізувати моделі та пайплайни за швидкістю, вартістю та якістю;
• розгортати ML-рішення в хмарній інфраструктурі;

• інтегрувати ML-компоненти з backend-частиною продукту.

   

Важливо, ми очікуємо, що ти зможеш взяти задачу, самостійно розібратись у контексті, запропонувати підхід, зробити експеримент, оцінити результат і довести рішення до робочого стану.

Технології, з якими ми працюємо

ML / AI

• Python;
• PyTorch / TensorFlow;
• HuggingFace Transformers;
• OCR / Document AI;
• Object Detection, зокрема YOLO-подібні підходи;
• NLP / NER;
• LLM / VLM;
• spaCy;
• scikit-learn;
• open-source моделі для роботи з текстом, зображеннями та документами.

Backend / API

• FastAPI;
• Flask;
• REST API;
• Docker;

• інтеграція ML-сервісів із backend-системами.

   

Хмара та інфраструктура

Ми працюємо з Azure, тому досвід із цією екосистемою буде дуже корисним:

• Azure ML;
• Azure Functions;
• Azure Web Apps;
• Azure DevOps;
• Azure Service Bus;
• Azure Blob Storage;
• Application Insights;
• container-based deployment.

Також буде плюсом досвід з AWS.

Не потрібно знати все з цього списку. Але важливо мати реальний досвід із продакшн-підходом до ML, а не тільки навчальні експерименти.

Що ми очікуємо від Middle-рівня

Для цієї ролі нам важливо, щоб ти міг:

• самостійно розібратись у новій задачі;
• сформулювати гіпотези та запропонувати кілька варіантів рішення;
• оцінити trade-off між якістю, швидкістю, складністю та вартістю;
• не чекати детального технічного завдання на кожен крок;
• вести задачу від аналізу проблеми до робочого результату;
• чесно показувати, що працює, а що ні;
• пропонувати покращення продукту на основі технічних спостережень;
• працювати в команді з розробниками, аналітиками та менеджером по продукту.

Що ми пропонуємо

Продукт, а не одноразовий проєкт.
Ти працюватимеш над ядром RaccoonDoc, яке постійно розвивається і використовується реальними клієнтами.

Реальні дані та реальні задачі.
Тут не буде стерильних датасетів. Будуть документи, які щодня створюють проблеми бізнесу, і саме їх треба навчити систему обробляти краще, швидше й стабільніше.

Вплив на продукт.
ML у RaccoonDoc - це не декоративний модуль збоку. Це основа продукту. Твої рішення напряму впливатимуть на якість, швидкість і конкурентність платформи.

Сильний практичний контекст.
Ми працюємо з клієнтами, які мають реальні обсяги документів, реальні інтеграції, реальні вимоги до якості й відповідальності.

Гнучкий формат роботи.
Віддалено з будь-якого міста України. Ми розуміємо реалії війни, тривог, блекаутів і нестабільної інфраструктури.

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.

Кому ця роль точно підійде

Тому, хто хоче працювати не над ще одним pet-проєктом з AI, а над продуктом, де ML щодня вирішує конкретні бізнесові задачі.

Тому, кому цікаво будувати системи для реальних документів, реальних клієнтів і реального продакшену.

Тому, хто хоче не просто запускати моделі, а впливати на те, як AI-продукт для обробки документів буде виглядати через рік.

Якщо тобі цікаво працювати з документами, OCR, LLM/VLM, Computer Vision, NLP і продакшн-ML у реальному українському AI-продукті, будемо раді познайомитись.