- Страна
- Россия
- Зарплата
- 174 000 ₽ – 215 000 ₽
Data Science (Senior)
Оценка ИИИнтересный стек технологий (LLM, Agents, RAG) и удаленный формат работы делают вакансию привлекательной для опытных специалистов. Однако предлагаемая зарплатная вилка находится на нижней границе рынка для уровня Senior в РФ.
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 ИИПозиция требует глубокой экспертизы в области LLM, RAG и проектирования мультиагентных систем, а также опыта работы с высоконагруженными инфраструктурами (Kubernetes, Kafka, GPU). Высокий порог входа обусловлен необходимостью владения специфическими инструментами оценки качества (evals) и безопасности ИИ.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная вилка (174–215 тыс. руб.) значительно ниже среднерыночных показателей для Senior Data Scientist в России, которые обычно начинаются от 350-400 тыс. руб. Вакансия может быть интересна специалистам, ориентированным на работу с передовым стеком ИИ-агентов, несмотря на уровень компенсации.
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
#вакансия #удаленка #data #scientist #hunttech
☁️Позиция: Data Science (Senior)
🏙Компания: «HuntTech»
💪Опыт: от 5 лет
💰ЗП: Вилка: 174тр - 215тр
📅Формат работы: Удаленка
📍Локация/Гражданство: РФ
📅Занятость: Full-time
☎️Контакт: Откликнуться
📌Обязанности:
- Разработка сервисов ИИ платформы для создания функциональных агентов, ИИ ассистентов.
- Подготовка бэк части для функциональных агентов, включая среду разработки агентов: тестирование фреймворков, opensource агенты.
- Разработка сервиса управления реестром и скиллами агентов.
- Создание отдельного единого сервиса для всех баз знаний, интеграция крупных корпоративных источников.
🔺Требования:
- Понимание архитектуры, возможностей и ограничений современных языковых моделей.
- Опыт работы с embeddings, vector search, RAG, structured output и tool calling.
- Понимание принципов проектирования AI-агентов: управление состоянием и контекстом, выбор инструментов, контроль уровня автономности и human-in-the-loop.
- Опыт построения evals для LLM-систем, оценки качества ответов, контроля галлюцинаций и мониторинга поведения системы.
- Понимание рисков prompt injection, некорректного tool calling, утечки данных и чрезмерных прав доступа агента.
- Опыт работы с API языковых моделей, Hugging Face и одним из orchestration-фреймворков.
- Умение оценивать стоимость, latency и масштабируемость LLM-решений.
- Опыт работы в e-commerce, retail или других продуктовых highload-системах.
- Опыт работы с Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana.
- Опыт эксплуатации GPU-инфраструктуры и оптимизации inference.
- Опыт fine-tuning или адаптации LLM, включая LoRA / PEFT.
- Опыт проектирования agentic workflows или multi-agent-систем.
- Понимание принципов информационной безопасности, privacy и работы с персональными данными.
🔥Если все нравится - пиши Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Data Science
- LLM
- RAG
- Vector Search
- Embeddings
- Hugging Face
- Airflow
- MLflow
- Kafka
- Redis
- Kubernetes
- Prometheus
- Grafana
- GPU
- LoRA
- PEFT
- Python
Возможные вопросы на собеседовании
Вопрос проверяет практический опыт кандидата в одной из самых сложных областей работы с LLM — обеспечении надежности ответов.
Расскажите о вашем опыте построения систем оценки (evals) для LLM. Какие метрики вы использовали для контроля галлюцинаций в RAG-системах?
Вакансия предполагает разработку ИИ-агентов, поэтому важно понимать, как кандидат структурирует сложные рабочие процессы.
Как бы вы спроектировали архитектуру multi-agent системы для решения задачи с длительным контекстом и необходимостью вызова внешних инструментов (tool calling)?
Работа в highload-системах требует навыков оптимизации ресурсов.
Какие методы оптимизации инференса LLM на GPU-инфраструктуре вы применяли на практике для снижения latency?
Безопасность — критический аспект для корпоративных ИИ-сервисов.
Какие стратегии защиты от prompt injection и утечки данных через векторный поиск вы считаете наиболее эффективными?
Проверка навыков дообучения моделей под конкретные задачи.
В каких случаях вы бы предпочли использование PEFT/LoRA вместо обычного RAG, и с какими сложностями при этом сталкивались?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
