- Страна
- Россия
- Зарплата
- 220 000 ₽ – 300 000 ₽
Откликайтесь
на вакансии с ИИ
AI-инженер
Оценка ИИСильный бренд «Золотое Яблоко», удаленный формат работы и фокус на реальные продуктовые решения делают вакансию очень привлекательной. Зарплатные ожидания соответствуют рынку для специалистов уровня Senior/Lead.
Сложность вакансии
Оценка ИИВакансия требует не только глубоких знаний в области LLM и RAG, но и развитых навыков управления (матричная модель) и продуктового мышления. Основная сложность заключается в необходимости подтвержденного опыта вывода продуктов в продакшн, а не просто создания прототипов.
Анализ зарплаты
Оценка ИИУказанный диапазон 220 000 – 300 000 ₽ полностью соответствует текущим рыночным реалиям для опытных AI-инженеров в России. Верхняя планка может быть выше для кандидатов с сильным управленческим бэкграундом.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Золотое Яблоко уже сейчас
Присоединяйтесь к команде «Золотого Яблока» и внедряйте передовые AI-решения в крупнейший e-commerce проект!
Описание вакансии
AI-инженер в Золотое Яблоко
*💰*По итогам собеседования (ср. рын. зп 220 000 ₽ – 300 000 ₽)
*📌*Условия и бонусы:
Фултайм, удаленно.
*📌*Наши ожидания:
– Опыт вывода LLM-решений в продуктив: работающие продукты с пользователями, а не пилоты и демонстрации.
– Понимание RAG и AI-агентов на уровне постановки задачи и оценки выполнимости.
– Продуктовый подход: приоритизация, метрики продукта, готовность закрывать неперспективные направления.
– Опыт руководства инженерами, в том числе в матричной модели: договариваться о приоритетах и получать результат от людей из смежных команд.
– Уверенная работа с данными: SQL и Python на уровне, достаточном чтобы самому собрать прототип; понимание аналитического хранилища и отчетности.
Подробнее о вакансии Откликнуться.
*✍🏼*Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Product Management
- Python
- LLM
- SQL
- RAG
- AI Agents
Возможные вопросы на собеседовании
Проверка практического опыта внедрения сложных систем.
Расскажите о самом сложном кейсе вывода LLM-решения в продакшн: с какими проблемами столкнулись и как их решили?
Оценка понимания архитектуры RAG и умения оптимизировать её.
Как вы оцениваете качество ответов в RAG-системе и какие методы используете для уменьшения галлюцинаций?
Проверка навыков управления в матричной структуре.
Как вы выстраиваете взаимодействие со смежными командами, если их приоритеты не совпадают с задачами AI-направления?
Оценка продуктового подхода и умения отказываться от неэффективных идей.
Приведите пример ситуации, когда вы решили закрыть AI-проект на этапе разработки. Какими метриками вы руководствовались?
Проверка технических навыков работы с данными.
