- Страна
- Узбекистан
- Зарплата
- от 2 000 $
AI Engineer
Оценка ИИПривлекательная вакансия для AI-инженеров в Ташкенте с конкурентной зарплатой в долларах и четкими перспективами роста. Компания предлагает хорошие бонусы, такие как оплачиваемые обеды, и работу над масштабным продуктом.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИПозиция требует глубоких знаний в области MLOps, контейнеризации и работы с LLM/NLP. Необходим подтвержденный коммерческий опыт от 2 лет и владение английским языком для работы в международной среде.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая зарплата от $2,000 является конкурентоспособной для рынка Узбекистана для уровня Middle AI Engineer, хотя для Senior-специалистов верхняя граница рынка может быть выше. Сумма соответствует средним ожиданиям для локального офисного формата.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
AI Engineer
Company: Zehnmind.ai
Location: Tashkent (Office-based)
Salary: $2,000+ USD (depending on skills and experience)
We are looking for an AI Engineer to design, build, and deploy machine learning models and data pipelines. You will work across the full ML lifecycle — from data preparation and model training to deployment and monitoring.
Key Responsibilities:
Model Development: Develop and optimize models across LLMs, NLP, CV, or related AI domains.
Data Engineering: Design and architect data mining and synthetic labeling pipelines.
Data Processing: Preprocess data, perform feature engineering, and work with large-scale datasets.
Training & Evaluation: Train and evaluate models using PyTorch or TensorFlow.
MLOps: Deploy and monitor models using MLOps tools and cloud infrastructure.
Containerization: Use Docker and container toolkits to train models in containerized environments.
Collaboration: Partner with backend and product teams to integrate AI capabilities into production.
Code Quality: Maintain version-controlled, well-documented codebases.
Requirements:
Experience: 2+ years of commercial experience & 4+ years of total experience in ML/AI engineering.
Language: Strong proficiency in Python and English.
Frameworks: Deep understanding of PyTorch or TensorFlow.
ML Fundamentals: Solid grasp of supervised/unsupervised learning, deep learning, optimization, and metrics.
MLOps Tools: Experience with MLflow, Kubeflow, or SageMaker.
Cloud & DevOps: Familiarity with cloud platforms (AWS Lambda or similar) and Docker for training.
Git: Strong version control and collaborative development practices.
Good to Have:
Experience with vector databases (Qdrant, Weaviate, Pinecone).
Knowledge of model quantization, distillation, or fine-tuning techniques.
Familiarity with Kubernetes for model serving at scale.
Experience building synthetic data or annotation pipelines.
We Offer:
Competitive salary starting from $2,000+ USD.
Company-sponsored lunch.
Comfortable office in Tashkent.
Clear career growth while building a large-scale product.
How to Apply:
Submit your application to Откликнуться or Откликнуться
Please include:
Your CV/Resume.
GitHub profile or Portfolio.
A 2–3 paragraph description of your AI workflow.
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PyTorch
- TensorFlow
- MLflow
- Kubeflow
- Amazon SageMaker
- Docker
- AWS Lambda
- Git
- NLP
- Computer Vision
- LLM
- Qdrant
- Weaviate
- Pinecone
- Kubernetes
Возможные вопросы на собеседовании
Проверка практического опыта работы с жизненным циклом моделей.
Расскажите о вашем опыте настройки MLOps-процессов: какие инструменты вы использовали для мониторинга и версионирования моделей?
Оценка навыков работы с данными, указанных в требованиях.
Как бы вы спроектировали пайплайн для генерации синтетических данных для обучения узкоспециализированной NLP-модели?
Проверка знаний в области оптимизации, упомянутых в разделе 'Good to Have'.
В каких случаях вы бы предпочли квантование модели вместо дистилляции для оптимизации инференса?
Оценка навыков работы с инфраструктурой.
Опишите ваш опыт использования Docker для обучения моделей. С какими сложностями вы сталкивались при пробросе GPU в контейнеры?
Проверка владения современными инструментами поиска.
Каков ваш опыт работы с векторными базами данных (например, Qdrant или Pinecone) в контексте RAG-систем?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
