- Страна
- Россия
AI / ML Engineer (Python)
Оценка ИИИнтересный стек технологий (LLM, RAG, CV) и работа над социально значимым продуктом в сфере безопасности. Компания Headliner предлагает гибкий формат работы, однако отсутствие указанной вилки зарплаты немного снижает привлекательность.
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 уверенного владения Python и практического опыта в CV, OCR и NLP. Сложность заключается в необходимости интеграции AI-решений в реальный продакшн с учетом строгих требований безопасности данных (KYC).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВ вакансии не указан уровень дохода, но для Middle AI/ML инженера в России с опытом 1-3 года рыночный диапазон составляет от 200 000 до 350 000 рублей. Предложение будет конкурентоспособным, если попадет в эти рамки.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
#middle #удаленка #гибрид #офис
Headliner
AI / ML Engineer (Python)
Опыт работы: 1–3 года
Полная занятость
График: 5/2
Формат работы: удалённо или гибрид или офис
*☑️* Чем предстоит заниматься
-Участвовать в разработке AI-решения для анализа документов, изображений и текста (KYC-верификация), включая работу с Computer Vision (CV), OCR и NLP
-Подбирать и адаптировать модели под бизнес-задачи
-Реализовывать и развивать RAG-подходы
-Интегрировать LLM в систему как вспомогательный слой
-Разрабатывать inference-пайплайны и AI-сервисы
-Участвовать в подготовке AI-сервисов к деплою и эксплуатации, интеграции AI-решений в продукт через API, gRPC или другие подходы, участие в обсуждении архитектурных решений, взаимодействие с командой backend
-Участвовать в поддержке моделей в продакшене, работа с инцидентами
-Работать с персональными и чувствительными данными, учитывать требования безопасности и AI-compliance
*☑️* Наши пожелания к кандидатам
-Практический опыт разработки и применения AI / ML моделей в прикладных задачах (ML-бэкендов, чат-ботов, ML-ассистентов или систем на основе LLM)
-Уверенное владение Python и опыт работы с ML-стеком
-Опыт с инструментами и библиотеками для работы с AI, включая OpenAI SDK, Pydantic AI, ai-sdk и др
-Практический опыт работы с моделями Computer Vision, OCR и NLP
-Знание принципов работы с данными, их валидации, основ безопасности данных и compliance, особенно в контексте KYC и обработки персональных данных
-Опыт работы с pre-trained моделями и open-source ML-библиотеками, пайплайнами обработки данных и inference, дообучение и адаптация
-Базовое понимание интеграции AI-сервисов в backend-системы (работа с API, очередями сообщений, реляционными БД)
-Опыт разработки и поддержки пайплайнов обработки данных и AI-сервисов в продакшн-среде
-Опыт работы с RAG подходами, embeddings и similarity search - будет плюсом
Контакты: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- Computer Vision
- OCR
- NLP
- LLM
- RAG
- OpenAI SDK
- Pydantic AI
- API
- gRPC
- Vector Databases
Возможные вопросы на собеседовании
Вакансия предполагает работу с KYC, где точность распознавания документов критична.
Какие методы и библиотеки для OCR вы использовали и как боролись с шумами или низким качеством изображений?
В описании указано использование RAG-подходов.
Расскажите о вашем опыте построения RAG-систем: какие векторные базы данных вы предпочитаете и как оцениваете качество ответов?
Работа связана с персональными данными.
Какие меры безопасности и принципы AI-compliance необходимо соблюдать при обработке документов пользователей в системе верификации?
Позиция требует интеграции AI в бэкенд.
Как вы организуете инференс-пайплайн для высоконагруженного сервиса, чтобы минимизировать задержки (latency)?
Упоминается работа с LLM как вспомогательным слоем.
В каких сценариях KYC-верификации использование LLM дает наибольшее преимущество по сравнению с классическими ML-моделями?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
