- Страна
- Россия
AI исследователь (Senior)
Интересный проект в инновационном подразделении крупного ритейлера с долгосрочным горизонтом планирования (до конца 2026 года). Вакансия предлагает работу с передовым стеком (LLM, Multi-agent системы) и удаленный формат, однако требует строгого соответствия часовому поясу Мск и гражданству.
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
Высокая сложность обусловлена широким спектром требований: от глубокого знания матстатистики и классического ML до проектирования сложных агентских LLM-систем и владения DevOps-инструментами. Требуется опыт в highload-системах и умение работать с GPU-инфраструктурой.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Для позиции Senior AI Researcher на российском рынке вилка в 350 000 – 550 000 рублей является стандартом для крупных технологических компаний и ритейла. Учитывая требования к e-commerce highload и разработке агентов, компенсация должна стремиться к верхней границе рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
ID 3585
AI исследователь
Senior
**Лемана ПРО
РФ/РБ*❗️*Кол-во специалистов
1
Длительность проекта
до 31.12.2026
Объем участия в проекте
Высокая нагрузка
~160 ч/мес
Формат взаимодействия
Удаленно
Требуемая локация специалиста
Россия, Беларусь
Доступность специалиста
Строго по времени Мск
Требуемое гражданство специалиста
РФ и РБ
Обязательные требования
- Разработка архитектуры агентов: управление состоянием диалога и контекстом, динамический выбор инструментов (tool calling), настройка уровней автономности и сценариев human-in-the-loop;
- Глубокое понимание жизненного цикла ML-модели: от подготовки признаков до интерпретации результатов;
- Знание методов борьбы с переобучением, data leakage, регуляризации; уверенный выбор алгоритмов под задачу;
- Владение матстатистикой для проверки гипотез, расчета доверительных интервалов и самостоятельного дизайна A/B-тестов;
- Построение системы метрик: разработка офлайн- и онлайн-показателей, кросс-валидация, прямая оценка бизнес-эффекта;
- Непрерывный мониторинг дрейфа моделей и качества данных в продакшене;
- Опыт работы хотя бы в одном из направлений: классическое машинное обучение; временные ряды и прогнозирование;
рекомендательные системы, поиск и ранжирование; NLP, LLM и генеративный AI;
- Языки и библиотеки: Python (pandas/polars, NumPy, scikit-learn, CatBoost/XGBoost/LightGBM, PyTorch), продвинутый SQL;
- Написание поддерживаемого production-кода: модульная архитектура, юнит-тесты, логирование, документация, работа с GitFlow и код-ревью;
- Построение пайплайнов оценки (LLM Evals): контроль галлюцинаций, релевантности ответов и мониторинг поведения системы;
- Обеспечение безопасности: защита от prompt injection, предотвращение утечек персональных данных (PII/privacy) и аудит прав доступа агента;
- Практический опыт работы с API языковых моделей, платформой Hugging Face и orchestration-фреймворками;
- Умение оценивать стоимость, latency и масштабируемость LLM-решений;
- Опыт работы в e-commerce, retail или других продуктовых highload-системах;
- Инфраструктура и оркестрация: Airflow, MLflow, Kafka, Redis, Kubernetes;
- Мониторинг и наблюдаемость: Prometheus, Grafana, OpenTelemetry;
- Опыт эксплуатации GPU-инфраструктуры и оптимизации inference;
- Адаптация моделей через fine-tuning (LoRA/PEFT);
- Опыт проектирования agentic workflows или multi-agent-систем;
- Понимание принципов информационной безопасности, privacy и работы с персональными данными.
Задачи на проекте
- Разработка моделей c классическим ML для работы в рамках проверки PoC для ИИ идей, входящих в ИИ инкубатор;
- Развитие идей, предполагающих автоматизированные товарные связки (аналоги, комплементарные товары и т.д.).
Этапы отбора
- Интервью с рекрутером SkillStaff
- Техническое интервью (2 ч)
- Менеджерский этап (1 ч).
Описание проекта и команды
Заказчик - крупный ритейлер.
«ИИ-инкубатор» — это централизованная корпоративная платформа для управления инновациями в области искусственного интеллекта. Экосистема обеспечивает полный цикл работы с гипотезами: от первичной оценки и приоритизации идей до проведения технических пилотов (Proof of Concept) и их последующей защиты на Экспертном комитете по ИИ. Платформа стандартизирует методологию тестирования, фиксирует промежуточные результаты и формирует единую базу знаний об успешных и неуспешных экспериментах.
Обязательные условия выхода на проект
ВАЖНО: При направке резюме обязательно указывать ФИО и дату рождения для проверки специалиста по внутренней базе клиента. Также необходимо указывать в какие сроки готов стартовать.
Разница во времени с Мск по локации специалиста не более +/- 2 часа.
*❗️**❗️**❗️Писать {{apply_contact}}⚡️**⚡️**⚡️**⚡️ С РЕЗЮМЕ В КОТОРОМ УКАЗАН ВОЗРАСТ И ЛОКАЦИЯ НАХОЖДЕНИЯ. Укажите 🆔 вакансии❗️* Без этой информации отклики не рассматриваются
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Python
- Pandas
- Polars
- NumPy
- Scikit-learn
- CatBoost
- XGBoost
- LightGBM
- PyTorch
- SQL
- LLM
- NLP
- Airflow
- MLflow
- Kafka
- Redis
- Kubernetes
- Prometheus
- Grafana
- OpenTelemetry
- GitFlow
- Fine-tuning
- LoRA
- PEFT
- A/B Testing
Возможные вопросы на собеседовании
Проверка опыта проектирования сложных систем на базе LLM.
Расскажите о вашем опыте проектирования agentic workflows: как вы решали проблему управления состоянием диалога и выбора инструментов (tool calling)?
Оценка навыков обеспечения надежности и безопасности ИИ-решений.
Какие методы вы используете для контроля галлюцинаций в LLM и защиты системы от prompt injection в условиях доступа агента к инструментам?
Проверка фундаментальных знаний ML и умения работать с данными.
Как вы выстраиваете процесс мониторинга дрейфа данных и моделей в продакшене для e-commerce задач? Приведите примеры метрик.
Оценка практического опыта оптимизации моделей.
В каких случаях вы предпочтете fine-tuning (например, LoRA) использованию RAG, и как вы оцениваете latency таких решений?
Проверка навыков проведения экспериментов.
Опишите ваш подход к дизайну A/B-тестов для проверки гипотез в рекомендательных системах или поиске.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

