- Зарплата
- 3 000 $ – 4 500 $
AI Product Analyst
Оценка ИИИнтересный международный проект на острие технологий (GenAI, RAG) с конкурентной зарплатой в долларах. Четко прописанные обязанности и современный стек технологий делают вакансию очень привлекательной для опытных аналитиков.
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 редкого сочетания навыков системного анализа, глубокого понимания LLM/RAG и опыта работы с тяжелыми индустриальными данными. Высокий уровень английского (C1) и необходимость работы вне РФ/РБ/Укр также повышают порог входа.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная вилка $3000 - $4500 соответствует среднерыночным значениям для Middle+/Senior Data/Product Analyst на международном рынке при удаленной работе. Верхняя граница в $4500 является конкурентной для специалистов с глубокой экспертизой в LLM.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
#vacancy #remote #aianalyst #genai #llm #rag #databricks #azure #sql
Ищем AI Product Analyst для международного проекта по созданию AI-ассистента и аналитических решений на базе LLM.
▫️Remote (не из РФ/РБ/Укр)
▫️$3000 - 4500
Обязанности:
▫️Проводить discovery-сессии с бизнес-заказчиками, формировать каталог вопросов и benchmark-наборы для оценки AI-решения перед go-live.
▫️Анализировать источники данных (Oracle EPM, Landfolio, AcQuire), определять доступность данных в ADLS и Databricks, согласовывать подход к их использованию или загрузке.
▫️Описывать схемы данных и контролировать качество данных.
▫️Собирать и формализовать требования к AI-чату и дашбордам, переводить бизнес-задачи в постановки для ML-инженеров.
▫️Формировать и поддерживать базу знаний для RAG, готовить датасеты для оценки качества поиска и цитирования.
▫️Проводить QA и бенчмаркинг AI-решения, анализировать ошибки, участвовать в UAT и пилотных запусках.
▫️Поддерживать проектную документацию, архитектурные материалы и knowledge transfer.
Требования:
▫️Опыт от 3 лет в роли Data / System / Product Analyst на проектах с данными, ML или AI для enterprise-клиентов.
▫️Уверенный SQL, опыт анализа и профилирования данных. Знание Databricks / Spark SQL будет преимуществом.
▫️Понимание LLM-продуктов: RAG, Text2SQL, промптинг, ограничения моделей, оценка качества ответов и работа с eval-наборами.
▫️Опыт сбора и формализации требований: discovery, user stories, критерии приемки, спецификации данных.
▫️Английский язык - C1
▫️Готовность работать самостоятельно в распределенной команде и участвовать в регулярных встречах с клиентом (UTC+3).
Будет плюсом:
▫️Опыт работы с Azure ADLS, Databricks Genie, AI Foundry, Power BI или другими BI-инструментами.
▫️Опыт работы с финансовыми данными (бюджет, факт, прогноз, P&L), Oracle EPM или Hyperion.
▫️Опыт работы с регуляторными документами, лицензированием и системами класса Landfolio.
▫️Опыт работы с геологическими и пространственными данными, AcQuire, ArcGIS или аналогичными ГИС-системами.
▫️Опыт в доменах Mining, Oil & Gas или Heavy Industry.
▫️Python/pandas для анализа данных и опыт оценки LLM (LLM-as-a-Judge, Ragas, Promptfoo и др.).
TG Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- SQL
- Databricks
- LLM
- RAG
- Azure
- Python
- Pandas
- Spark SQL
- Power BI
- Oracle EPM
- Data Analysis
- System Analysis
Возможные вопросы на собеседовании
Проверка понимания специфики RAG-систем и умения работать с качеством данных.
Как бы вы подошли к формированию benchmark-набора для оценки качества ответов AI-ассистента, использующего RAG?
Оценка технических навыков работы с данными в экосистеме Databricks.
Опишите ваш опыт работы с Databricks и Spark SQL: с какими объемами и типами данных вы сталкивались?
Проверка умения работать с бизнес-заказчиками и выявлять скрытые потребности.
Расскажите о случае, когда требования заказчика к AI-продукту были размыты. Как вы структурировали процесс discovery?
Оценка понимания ограничений современных языковых моделей.
Какие основные риски вы видите при внедрении Text2SQL решений в enterprise-сегменте и как их можно минимизировать?
Проверка навыков оценки качества генеративного AI.
Какие метрики или фреймворки (например, Ragas или LLM-as-a-Judge) вы использовали для оценки галлюцинаций и релевантности ответов?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
