- Страна
- Россия
- Зарплата
- 1 500 ₽ – 2 000 ₽
Откликайтесь
на вакансии с ИИ
Data Science / ML Engineer
Оценка ИИИнтересный технологический стек (LLM, графы, агенты) и гибкий формат работы. Проект предлагает реальные вызовы в области AI, хотя почасовая оплата может подойти не всем кандидатам, ищущим фиксированный оклад.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний в современных LLM-стеках (RAG, агенты) и умения работать с разнообразными типами БД (векторные, графовые, реляционные). Высокая сложность обусловлена необходимостью оптимизации инференса и проектирования сложных архитектурных решений.
Анализ зарплаты
Оценка ИИПредлагаемая ставка 1500-2000 руб/час при полной занятости соответствует рыночному диапазону для Middle/Senior специалистов в России (250-350 тыс. руб. в месяц). Это конкурентное предложение для удаленной работы в DS/ML сегменте.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в IMS уже сейчас
Присоединяйтесь к команде IMS и создавайте передовые AI-решения на стыке LLM и графовых технологий!
Описание вакансии
Вакансия: Data Science / ML Engineer (универсальная роль)
Компания: IMS
Город: Санкт-Петербург
Формат: удалёнка
Занятость: full-time / part-time
Зарплатная вилка: обсуждабельна (1500-2000/час, зависит от уровня кандидата, возможно обсуждение фиксированной оплаты)
Трудоустройство: ГПХ, ИП, самозанятость, также обязательно подписание NDA и у нас высокие требования к конфиденциальности
Задачи
• Развивать AI-контур продукта: от обработки пользовательского запроса до финального ответа и визуализации результата.
• Проектировать и улучшать retrieval/pipeline-логику для мульти-источников (Qdrant, MemGraph, PostgreSQL, нереляционные источники).
• Развивать LLM-агентный контур (Query Planner loop): классификация запросов, декомпозиция подзадач, tool-calls, оценка достаточности данных.
• Работать с эмбеддингами, семантическим поиском и качеством выдачи (релевантность, дедупликация, фильтрация, ранжирование).
• Участвовать в оптимизации LLM-инференса (Qwen-семейство, LiteLLM-прокси), стоимости запросов и latency.
• Настраивать и улучшать data/ML pipeline для обработки документов, мультимодального контента и подготовки данных для поиска/графа.
• Взаимодействовать с backend-командой (FastAPI/WebSocket), участвовать в проектировании контрактов и интеграций сервисов.
• Участвовать в формировании технических решений по масштабированию и производительности (кэширование в Redis, нагрузка, стабильность).
Требования
• Опыт работы в Data Science / ML Engineering от 2–5 лет (Middle / Middle+/Senior).
• Уверенный Python и опыт production-разработки ML/DS-сервисов.
• Практический опыт с LLM/NLP: промптинг, оркестрация вызовов, оценка качества ответов, оптимизация пайплайнов.
• Опыт с векторным поиском и эмбеддингами (желательно Qdrant или аналогичные Vector DB).
• Понимание работы с графовыми и реляционными БД (MemGraph/Neo4j, PostgreSQL) в контексте AI-поиска и аналитики.
• Опыт проектирования API/интеграций (REST; понимание WebSocket и сервисного взаимодействия).
• Умение формулировать гипотезы, проводить эксперименты и аргументированно выбирать технические решения.
Будет большим плюсом
• Опыт построения RAG/agentic систем в production.
• Опыт оптимизации LLM-моделей и инфраструктуры инференса (latency/cost/quality trade-off).
• Знание Redis-кэширования и подходов к session-aware caching.
• Опыт с мультимодальными сценариями (текст + документы/медиа).
• Опыт формализации контрактов между сервисами (в т.ч. gRPC/YAML/OpenAPI).
• Опыт построения pipeline’ов обработки и классификации данных
Мы предлагаем
• Работу над технологически сложным продуктом на стыке LLM, поиска и графовых данных.
• Возможность влиять на архитектуру AI-части и ключевые технические решения.
• Гибкий удалённый формат работы.
• Конкурентную оплату по уровню.
• Сильную команду, минимум бюрократии и живое общение.
Контакт: Откликнуться
@ml_data_science_job
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- LLM
- PostgreSQL
- RAG
- Vector Database
- NLP
- Redis
- gRPC
- OpenAPI
- FastAPI
- Neo4j
- WebSocket
- Qdrant
- MemGraph
Возможные вопросы на собеседовании
Проверка практического опыта работы с RAG-системами и понимания архитектуры поиска.
Расскажите о вашем опыте проектирования RAG-пайплайнов: какие стратегии индексации и поиска (retrieval) вы использовали для улучшения релевантности?
Оценка навыков работы с агентными архитектурами, указанными в вакансии.
Как бы вы реализовали Query Planner loop для декомпозиции сложного пользовательского запроса на подзадачи?
Проверка умения оптимизировать производительность и стоимость решений.
Какие методы оптимизации LLM-инференса (latency и cost) вы применяли на практике для моделей семейства Qwen или аналогичных?
Вакансия предполагает работу с графами.
В каких сценариях использование графовой БД (например, MemGraph) дает преимущество перед обычным векторным поиском в задачах AI?
Проверка навыков интеграции ML-моделей в продакшн-среду.
Как вы организуете взаимодействие между ML-сервисом на FastAPI и backend-командой для обеспечения стабильности и масштабируемости?
Похожие вакансии
ML разработчик (Senior)
Senior / Middle+ Data Scientist
MlOps / Python Backend Engineer (ML)
Data Scientist Senior
ML разработчик (Middle)
Senior Data Scientist
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!