- Страна
- Узбекистан
- Зарплата
- от 14 000 000 ₽
AI / ML Engineer
Оценка ИИИнтересная позиция в активно развивающейся компании с современным стеком технологий (LLM, RAG, Agents). Предлагаются хорошие бонусы в виде обучения и питания, однако работа строго в офисе в Ташкенте может подойти не всем.
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 не только классического ML-стека, но и актуальных навыков работы с LLM, RAG и AI-агентами. Дополнительную сложность создает требование знания узбекского языка и готовность к командировкам.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата от 14 млн сум является конкурентной для рынка Узбекистана для специалистов уровня Middle, однако для Senior-позиций с таким широким стеком (LLM, CV, MLOps) рыночные ожидания могут быть выше.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Ищем AI / ML Engineer в команду разработки ISHONCH
Мы создаем AI-решения, которые автоматизируют реальные бизнес-процессы: от ML/DL-моделей и RAG до production-ready AI-агентов.
Чем предстатит заниматься:
Разрабатывать, обучать и внедрять ML/DL-модели для бизнес-задач.
Строить AI-агентов и multi-agent workflows с tool/function calling, MCP и LangGraph/LangChain (или аналогами).
Проектировать RAG-системы: эмбеддинги, hybrid search, reranking и векторные БД.
Выполнять fine-tuning LLM, оптимизировать inference и интегрировать модели через API и микросервисы.
Участвовать в MLOps/LLMOps: evaluation, мониторинг, tracing, guardrails и повышение качества AI-систем.
Требования к кандидату:
Опыт: от 2 лет в ML/DL или разработке AI-систем.
Стек: Python, NumPy/pandas, scikit-learn, PyTorch / TensorFlow, Hugging Face Transformers.
Знания: понимание ML/DL, архитектуры трансформеров и принципов работы LLM.
Навыки: практический опыт с AI-агентами, RAG, vector DB и structured output; уверенный Git и деплой в production.
Языки: знание узбекского и английского (Intermediate+) языков.
Будет преимуществом:
Разработка API на FastAPI / Django REST Framework и контейнеризация с Docker.
Computer Vision и видеоаналитика (OpenCV, YOLO, tracking, RTSP).
MLOps/LLMOps-инструменты, self-hosted inference, GPU и Kubernetes.
Мультимодальные модели или голосовые пайплайны (STT-LLM-TTS).
Что мы предлагаем:
Развитие: оплачиваемые профильные курсы, IT-конференции, фестивали и тимбилдинги.
Условия: бесплатные вкусные обеды в офисе.
Карьера: реальные масштабные задачи, влияние на продукты компании, профессиональный и финансовый рост.
Условия работы:
Локация: офис в г. Ташкент.
График: 5/2, с 09:00 до 18:00.
Командировки: в г. Коканд (организуются и оплачиваются компанией).
Зарплата: От 14.000.000 сум.
Резюме и краткое описание проектов отправляйте в ЛС: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- NumPy
- Pandas
- Scikit-learn
- PyTorch
- TensorFlow
- Hugging Face Transformers
- LangChain
- LangGraph
- RAG
- LLM
- FastAPI
- Django REST Framework
- Docker
- OpenCV
- YOLO
- Kubernetes
- MLOps
Возможные вопросы на собеседовании
Проверка практического опыта работы с современными фреймворками для LLM.
Расскажите о вашем опыте построения AI-агентов с использованием LangGraph или LangChain. С какими сложностями при реализации tool calling вы сталкивались?
Оценка навыков проектирования систем поиска информации.
Как вы подходите к оптимизации RAG-систем? Какие методы гибридного поиска и реранкинга вы использовали для повышения точности ответов?
Проверка понимания жизненного цикла ML-моделей.
Опишите ваш опыт настройки MLOps/LLMOps процессов. Как вы организуете мониторинг и оценку качества (evaluation) моделей в продакшене?
Оценка технических навыков оптимизации.
Какие техники fine-tuning и оптимизации инференса LLM вы применяли на практике для работы с ограниченными ресурсами GPU?
Проверка навыков работы с данными.
Как вы решаете проблему галлюцинаций и обеспечиваете соблюдение guardrails в ваших AI-системах?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
