- Страна
- Узбекистан
AI Engineer
Оценка ИИИнтересная роль в активно развивающемся финтехе с современным стеком (Agentic AI). Офисный формат может быть минусом для некоторых, но локация в Ташкенте привлекательна для местного рынка.
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 ИИТребуется солидный опыт (3+ года) и владение специфическими инструментами для создания AI-агентов (LangGraph, Langfuse). Работа предполагает офисный формат в Ташкенте, что сужает круг кандидатов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана. На рынке Узбекистана для AI-инженеров уровня Middle+/Senior с таким стеком (LLM, Agents) зарплаты обычно выше средних по IT-сектору.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
AI Engineer Openbank
Местоположение: Ташкент, Юнусабад
Формат работы: Офис
Опубликована: 16.09.2026
Требования:
• 3+ года в AI/ML Engineering
• Python, PyTorch, Pandas
• LLM API, LLM Evaluation
• Agentic AI, LangGraph / Langfuse / Google ADK
Контакт: Откликнуться
Откликнуться опубликована в LinkedIn у Shohjahon Musulmanov
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- PyTorch
- Pandas
- LLM
- LangGraph
- Langfuse
- Machine Learning
- Artificial Intelligence
Возможные вопросы на собеседовании
Вакансия требует опыта работы с Agentic AI и LangGraph. Работодателю важно понимать, как вы справляетесь со сложностью графов.
Расскажите о самом сложном AI-агенте, которого вы проектировали с использованием LangGraph. С какими проблемами зацикливания или логики вы столкнулись?
LLM Evaluation указана в требованиях. В финтехе точность критически важна.
Какие метрики и инструменты (например, Langfuse) вы используете для оценки галлюцинаций и релевантности ответов LLM в продакшене?
Работа с LLM API требует понимания оптимизации затрат и скорости ответа.
Как вы подходите к оптимизации контекстного окна и управлению токенами при работе с высоконагруженными LLM API?
Упоминание Google ADK предполагает работу в экосистеме Google Cloud или специфических SDK.
Есть ли у вас опыт развертывания моделей или агентов с использованием Google ADK? Какие преимущества это дало проекту?
Фундаментальные знания ML (PyTorch, Pandas) остаются базой для AI Engineer.
В каких случаях вы бы предпочли дообучение (fine-tuning) собственной модели на PyTorch вместо использования готового LLM API через RAG?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
