- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Data Science (LLM/NLP)
Оценка ИИТ1 — крупный и стабильный игрок на ИТ-рынке с интересными задачами в области GenAI. Вакансия предлагает работу с самым современным стеком технологий, хотя привязка к офису в Рязани может быть ограничением для кандидатов из других регионов.
Сложность вакансии
Оценка ИИРоль требует глубокой экспертизы в области LLM, NLP и RAG, а также навыков оптимизации инференса и работы с инфраструктурой (Docker, K8s). Высокая сложность обусловлена необходимостью сочетать теоретические знания математики с практическим опытом дообучения моделей.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана. Для позиции уровня Senior Data Scientist в области LLM/NLP на российском рынке (даже с учетом регионального офиса) вилка обычно составляет от 250 000 до 450 000 рублей после вычета налогов, учитывая дефицит специалистов данного профиля.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в t1 уже сейчас
Присоединяйтесь к команде Т1 и создавайте передовые LLM-решения в Рязани!
Описание вакансии
Data Science (LLM/NLP)
Рязань
Компания: Т1
*🔹*Чем предстоит заниматься:
-Интеграция LLM в продукты и сервисы (API, backend, пайплайны обработки данных);
-Оценка качества ответов моделей (автоматические метрики, human eval);
-Обеспечение безопасности, фильтрации и соответствия этическим требованиям (guardrails);
-Построение RAG-систем: индексация данных, работа с векторными БД, оптимизация качества поиска и генерации;
-Взаимодействие с продуктовой и ML-командой, участие в архитектурных решениях;
-Оптимизация производительности и стоимости инференса (квантизация, batching, caching);
-Работа с мультимодальными моделями (текст, изображения, документы — при необходимости);
-Проектирование, обучение и дообучение LLM (fine-tuning, instruction tuning).
*🔹*Здорово, если у тебя есть:
-Высшее образование (IT, техническое, математическое);
-Уверенное владение Python, SQL;
-Хорошие знания в области теории вероятностей, математической статистики, алгоритмов машинного обучения ML;
-Знания в области NLP алгоритмов;
-Понимание деталей работы LLM и того, как происходит их дообучение и инференс;
-Опыт деплоя ML/LLM решений (Docker, Kubernetes, cloud);
-Опыт работы с prompt engineering, fine-tuning / PEFT (LoRA, adapters), RAG-подходами;
-Опыт реализации агентских сценариев;
-Опыт работы с векторными базами данных: оптимизация индексов, запросов;
-Опыт с фреймворками: LangChain, LlamaIndex, Hugging Face;
-Знание методов оценки LLM (BLEU, ROUGE, MMLU, custom evals);
-Опыт оптимизации инференса (vLLM, TensorRT, ONNX);
-Опыт работы с мультимодальными моделями;
-Уверенное владение Python.
Python Job в Telegram | в VK | в Max
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- PyTorch
- Machine Learning
- LLM
- SQL
- Statistics
- Kubernetes
- RAG
- NLP
- Docker
- LangChain
- TensorRT
- Hugging Face
- LlamaIndex
- ONNX
- vLLM
Возможные вопросы на собеседовании
Проверка практического опыта работы с эффективным дообучением моделей.
Расскажите о вашем опыте использования PEFT-методов, таких как LoRA. В каких случаях вы бы предпочли их полному дообучению (full fine-tuning)?
RAG является ключевой частью вакансии, важно понять навыки оптимизации поиска.
Как вы подходите к оптимизации качества поиска в RAG-системах? Какие стратегии чанкинга и индексации в векторных БД вы использовали?
Важно для понимания навыков работы с производительностью в продакшене.
Какие методы оптимизации инференса LLM вы применяли на практике (квантизация, vLLM, TensorRT)? Какого выигрыша в задержке (latency) удалось достичь?
Проверка навыков валидации результатов работы генеративных моделей.
Как вы выстраиваете систему оценки (evaluation) для LLM-агентов, когда стандартных метрик типа ROUGE недостаточно?
Проверка понимания безопасности и контроля вывода моделей.
