- Страна
- Россия
- Зарплата
- 174 000 ₽ – 215 000 ₽
Data Science (Senior)
Оценка ИИИнтересный стек технологий (LLM Agents, RAG, Multi-agent системы) и возможность удаленной работы. Однако заявленная зарплатная вилка находится ниже среднерыночных ожиданий для уровня Senior Data Science 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 агентских архитектур, а также опыта работы с высоконагруженными системами и MLOps-стеком (K8s, Airflow, Kafka). Senior-уровень подразумевает не только разработку, но и проектирование сложных инфраструктурных решений для ИИ.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная вилка (174–215 тыс. руб.) значительно ниже рыночных показателей для Senior Data Scientist в России, где медиана составляет около 350–450 тыс. руб. Данное предложение скорее соответствует уровню Middle или Middle+.
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 #datascience
*☁️Позиция: Data Science* (Senior)
*💰*ЗП: Вилка: 174тр - 215тр
*📅*Формат работы: Удаленка
*📍*Локация/Гражданство: РФ
*📅*Занятость: Full-time
*📌*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.
По всем вопросам и с резюме: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- LLM
- RAG
- Vector Search
- Embeddings
- Python
- Airflow
- MLflow
- Kafka
- Redis
- Kubernetes
- Prometheus
- Grafana
- GPU
- LoRA
- PEFT
- Fine-tuning
- Multi-agent systems
Возможные вопросы на собеседовании
Проверка практического опыта работы с современными методами адаптации моделей.
Расскажите о вашем опыте применения LoRA или PEFT: в каких случаях вы выбирали эти методы и каких результатов удалось достичь по сравнению с полным fine-tuning?
Оценка навыков проектирования сложных систем на базе LLM.
Как бы вы спроектировали систему оценки (evals) для multi-agent системы, чтобы минимизировать галлюцинации и обеспечить корректный tool calling?
Проверка понимания инфраструктурных ограничений.
С какими основными проблемами масштабируемости LLM-решений вы сталкивались в highload-системах и как оптимизировали latency?
Важно для безопасности корпоративных данных.
Какие стратегии защиты от prompt injection и утечки данных через RAG вы считаете наиболее эффективными при интеграции с корпоративными источниками?
Проверка навыков работы с данными и оркестрацией.
Опишите ваш типичный пайплайн обработки данных для базы знаний с использованием Airflow и векторного поиска.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
