- Страна
- Россия
AI-разработчик (Middle+/Senior)
Оценка ИИПозиция в топовой телеком-компании с современным стеком (LLM, RAG, Big Data) и долгосрочным проектом. Из минусов — сложный процесс отбора и формат трудоустройства на 1/1000 ставки (совместительство), что 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 ИИВысокая сложность обусловлена сочетанием глубоких знаний в AI (LLM, RAG) и серьезного бэкэнда в Big Data (Spark, ETL, DWH). Также предъявляются строгие требования к прохождению интервью с живым кодингом без использования вспомогательных инструментов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИДля роли Senior AI/ML Engineer с сильным Big Data бэкграундом в Москве рыночные предложения обычно начинаются от 400 000 рублей. Учитывая проектную занятость и высокие требования МТС, ожидаемая компенсация должна соответствовать верхним границам рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
ID 3209
#AI-разработчик
"Middle+
Senior"
Прием откликов до 31.07.2026, 17:00 (UTC+3). Тендерный запрос.
ПАО МТС
Устройство на 1/1000 в компанию клиента.
После успешного прохождения интервью кандидату направляется анкета для трудоустройства на совместительство, с предварительной проверкой СБ.
Кол-во специалистов
1
Длительность проекта
31.12.2026
Объем участия в проекте
Высокая нагрузка
~160 ч/мес
Формат взаимодействия
Удаленно
Требуемая локация специалиста
Россия
Доступность специалиста
по МСК
Требуемое гражданство специалиста
РФ
Обязательные требования
- AI: AI-сервисы, агенты/RAG/LLM, API, code review, надёжность, безопасность, observability и NFR;
- От 4–5 лет опыта работы с Python/backend либо лидерство на AI/ML-стриме;
- Рroduction LLM/ML;
- API;
- Git/CI/CD;
- RAG и agentic-сценарии;
- Big Data must have: DWH, слои и витрины;
- Spark;
- ETL/ELT и инкрементальные загрузки;
- Airflow (DAGs, sensors, retries);
- Batch/streaming;
- Data quality, freshness и SLA;
- Еvaluation frameworks;
- OpenSearch/pgvector;
- Kafka/event-driven;
- B2B CRM/телеком.
Задачи на проекте
- Вести технический контур AI-инициатив от выбора решения до production-поставки.
Этапы отбора
- Рассмотрение КП + резюме
- Сразу готовы проводить интервью, в случае заинтересованности конечного Заказчика.
Описание проекта и команды
Крупная телеком компания.
Команда развивает AI- и data-инициативы Automation of Sales B2B (AoS): Copilot, агентные сценарии, RAG, продуктовую аналитику, отчётность и аналитические витрины.
Обязательные условия выхода на проект
Кандидаты должны присутствовать на протяжении всего интервью с включенной камерой и иметь возможность решать технические задания на ПК без гугления, GPT и помощников.
При отклике на вакансию просьба указывать ФИО и прикладывать прескрининг по требованиям и задачам.
Просьба направлять резюме с указанием:
- Релевантного опыта по обязательным требованиям;
- Доступности и возможной даты выхода;
- Локации и часового пояса.
Писать Откликнуться*⚡️**⚡️**⚡️**⚡️*
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- LLM
- RAG
- API
- Git
- CI/CD
- Spark
- ETL
- Airflow
- OpenSearch
- Kafka
- PostgreSQL
- Big Data
- DWH
Возможные вопросы на собеседовании
Вакансия требует опыта работы с RAG и агентскими сценариями.
Расскажите о вашем опыте оптимизации RAG-систем: как вы решали проблему релевантности поиска и какие стратегии чанкинга использовали?
В стеке указаны Spark и Airflow, что критично для обработки данных.
Как вы организуете инкрементальную загрузку данных в DWH с использованием Airflow и Spark для обеспечения свежести данных (Data Freshness)?
Упоминается работа с векторными БД.
В каких случаях вы предпочтете pgvector вместо специализированного решения типа OpenSearch, и как это влияет на производительность при больших объемах данных?
Проект связан с B2B CRM и телекомом.
Какие специфические метрики качества (Evaluation Frameworks) вы бы внедрили для оценки работы AI-ассистента в контексте продаж B2B?
Требуется знание observability и NFR.
Как вы обеспечиваете мониторинг и надежность (reliability) LLM-сервисов в продакшене при высокой нагрузке?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
