- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Data Science (LLM/NLP)
Оценка ИИТ1 — стабильный и крупный игрок на рынке с интересными задачами в области ИИ. Вакансия предлагает работу с самым современным стеком технологий (LLM, RAG), что отлично подходит для профессионального роста.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний в актуальной области LLM и RAG, а также практического опыта с современным стеком (LangChain, Hugging Face). Гибридный формат работы в Рязани сужает круг потенциальных кандидатов.
Анализ зарплаты
Оценка ИИДля позиции Middle Data Scientist в Рязани с фокусом на LLM/NLP рыночный диапазон составляет от 180 000 до 280 000 рублей. Учитывая масштаб компании Т1, предложение, скорее всего, находится на уровне или чуть выше медианы для регионального ИТ-хаба.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в t1 уже сейчас
Присоединяйтесь к лидеру ИТ-рынка Т1 и создавайте передовые LLM-решения для крупного бизнеса!
Описание вакансии
Т1
Data Science (LLM/NLP)
Опыт работы: от 3 до 6 лет
Формат работы: Рязань, гибрид
Т1 — один из лидеров российского ИТ-рынка, партнёр ключевых производителей и разработчиков в сфере ИТ. Направление Искусственного интеллекта: большие данные, платформы хранения информации, аналитические и рекомендательные системы для крупного бизнеса.
*☑️* Чем предстоит заниматься
-Интеграция LLM в продукты и сервисы (API, backend, пайплайны обработки данных)
-Оценка качества ответов моделей (автоматические метрики, human eval)
-Построение RAG-систем: индексация данных, работа с векторными БД
-Оптимизация производительности и стоимости инференса (квантизация, batching, caching)
*☑️* Наши пожелания к кандидатам
-Уверенное владение Python, SQL
-Знания в области NLP алгоритмов
-Опыт работы с prompt engineering, fine-tuning / PEFT (LoRA, adapters), RAG-подходами
-Опыт с фреймворками: LangChain, LlamaIndex, Hugging Face
Python Job в Telegram | в VK | в Max
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- LLM
- Fine-tuning
- SQL
- LoRA
- RAG
- Vector Database
- Prompt Engineering
- NLP
- LangChain
- Hugging Face
- LlamaIndex
- PEFT
Возможные вопросы на собеседовании
Проверка практического опыта работы с RAG-системами, упомянутыми в вакансии.
Расскажите о вашем опыте построения RAG-систем: какие векторные базы данных вы использовали и как решали проблему релевантности поиска?
Оценка навыков оптимизации, критически важных для работы с LLM в продакшене.
Какие методы оптимизации инференса LLM вы применяли на практике (квантизация, прунинг, батчинг) и какого выигрыша в производительности удалось достичь?
Проверка владения техниками дообучения моделей.
В каких случаях вы бы предпочли использование LoRA/PEFT полному fine-tuning модели, и какие ограничения есть у этих подходов?
Оценка умения работать с качеством генерации.
Как вы выстраиваете процесс оценки качества ответов LLM? Какие автоматические метрики используете и как организуете human evaluation?
Проверка навыков интеграции в backend-инфраструктуру.
