- Страна
- Россия
AI-инженер
Оценка ИИИзвестный бренд с сильной инженерной культурой и современным стеком. Работа в департаменте DevOps над передовыми задачами (агенты, RLHF) делает позицию очень привлекательной для профессионального роста.
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 ИИРоль требует глубоких знаний в области LLM, включая сложные методы дообучения (RLHF, DPO) и построение RAG-систем. Необходимо уметь не только кодить, но и оценивать бизнес-эффективность AI-решений.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВ вакансии не указана зарплата, но для Senior AI-инженера в крупном российском ритейле рынок предлагает от 350 000 до 550 000 рублей. Уровень компенсации в «Золотом Яблоке» обычно соответствует рыночным ожиданиям для опытных специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
(#Удаленка) Требуется #AI_инженер в "Золотое Яблоко"
Ты будешь работать в департаменте DevOps и платформенных решений: команда отвечает за развитие в компании процессов, практик и инструментов DevOps и SRE, ML & Data.
Задачи:
Работа с LLM:
Промпт-инжиниринг, RAG-системы, агенты и tool-use
Тонкая настройка и alignment (RLHF, DPO)
Оценка качества генеративных моделей, guardrails, безопасность
Продуктовая интеграция:
Трансляция бизнес-требований в ML-задачи
Оценка целесообразности AI-решений против эвристик
Документирование моделей, архитектурных решений и ограничений
*📝* Подробности и отклик:
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- LLM
- Prompt Engineering
- RAG
- RLHF
- DPO
- DevOps
- SRE
- Machine Learning
Возможные вопросы на собеседовании
Проверка практического опыта работы с архитектурой RAG.
Какие стратегии индексации и поиска вы использовали для улучшения точности RAG-систем?
Оценка навыков тонкой настройки моделей.
В каких случаях вы бы предпочли DPO вместо классического RLHF для выравнивания модели?
Проверка понимания безопасности AI.
Как вы реализуете guardrails для предотвращения галлюцинаций и утечки данных в LLM?
Оценка продуктового мышления.
Как вы определяете, когда стоит использовать LLM, а когда достаточно простых эвристик или классического ML?
Проверка навыков оценки качества.
Какие метрики и фреймворки вы используете для оценки качества генеративных ответов в продакшене?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
