TensorFlow / PyTorch

Работает с PyTorch или TensorFlow для обучения deep learning моделей. Создаёт Dataset/DataLoader, строит модели через nn.Module или Sequential API. Обучает модели с базовыми training loops, логирует loss и метрики.

Знает основы PyTorch: tensors, autograd, nn.Module, DataLoader. Использует PyTorch для обучения простых моделей и inference pre-trained LLM через Hugging Face Transformers.

Самостоятельно разрабатывает DL-модели в PyTorch/TensorFlow для production. Использует PyTorch Lightning или Keras для структурирования training кода. Применяет transfer learning, learning rate scheduling, gradient clipping. Работает с GPU training.

Самостоятельно разрабатывает на PyTorch для LLM: custom datasets, training loops, mixed precision (torch.amp). Использует Hugging Face Accelerate для multi-GPU training и inference.

Проектирует production DL-системы на PyTorch/TensorFlow. Оптимизирует training через mixed precision, distributed training (DDP/FSDP), gradient checkpointing. Экспортирует модели в ONNX/TorchScript для оптимизированного inference.

Проектирует advanced PyTorch компоненты для LLM: custom attention layers, efficient inference через torch.compile, CUDA graphs. Оптимизирует training и inference performance на уровне framework.

Определяет DL framework стратегию для data science команды. Формирует training infrastructure standards и best practices. Координирует GPU resource management и distributed training setup для команды.

Определяет PyTorch best practices для LLM-команды. Формирует guidelines по использованию framework, custom extensions, performance optimization. Проводит review PyTorch-кода.

Формирует DL framework стратегию на уровне организации. Определяет investments в GPU/TPU infrastructure. Оценивает emerging frameworks (JAX, MLX) и планирует long-term technology decisions для DL development.

Формирует enterprise PyTorch стратегию для ML/LLM-организации. Определяет подходы к framework management, custom op development, hardware-specific optimization стратегии.