- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Data Scientist (LLM / AI Agents)
Оценка ИИВакансия предлагает работу над передовыми технологиями (AI-агенты, LLM) в стабильном банковском секторе. Требуется серьезный стек технологий, что обещает профессиональный рост, хотя гибридный формат в Москве может подойти не всем.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубоким знаниям в области LLM, RAG и мультиагентных систем, а также необходимостью владения стеком Big Data (Spark, Airflow) и опытом вывода моделей в продакшн.
Анализ зарплаты
Оценка ИИВ вакансии не указан точный диапазон, но для позиций Senior/Middle DS в банковском секторе Москвы с фокусом на LLM рыночные зарплаты обычно находятся в диапазоне от 300 000 до 550 000 рублей. Данная оценка соответствует текущему дефициту специалистов по генеративному AI.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте ваше резюме с указанием возраста и локации в Telegram, чтобы присоединиться к команде разработки AI-агентов в крупном банке!
Описание вакансии
ID 3236
#Data #Scientist (LLM / AI Agents)
"Senior
Middle"
*❗️**❗️**❗️*Гибрид МСК
Банк
• Опыт: от 4-х лет в коммерческой разработке на позиции DS/ML Engineer (из них минимум 1 год плотной работы с NLP/LLM).
• LLM & NLP: Глубокое понимание архитектуры трансформеров, опыт работы с RAG, контекстным окном, методами оптимизации инференса.
• Разработка: Уверенное знание Python (asyncio, aiohttp/FastAPI), опыт написания чистого, поддерживаемого кода.
• Big Data: Опыт работы с распределенными вычислениями (Spark/PySpark, Hive) и оркестрацией (Airflow).
• Инфраструктура: Понимание процессов MLOps, опыт deployment сервисов на GPU (on-premise или Cloud).
• Безопасность: Понимание принципов работы с персональными данными и безопасности при использовании LLM в энтерпрайзе.
Будет преимуществом:
• Опыт разработки собственных MCP (Model Context Protocol) сервисов для расширения функционала агентов.
• Участие в Kaggle, хакатонах или наличие pet-проектов в области Generative AI (ссылка на GitHub).
• Опыт работы с отечественными LLM-платформами (например, GigaChat API) или локальными моделями (Llama, Qwen, Mistral).
• Опыт построения сложных графов агентов (LangGraph, AutoGen).
Обязанности кандидата:
• Разработка AI-агентов: Проектирование и внедрение мультиагентных систем (Prompt Engineering, RAG, Tools, Function Calling) в реальные банковские процессы.
• Работа с LLM: Оптимизация и Fine-tuning моделей под домен бизнеса (SFT, RLHF), работа с открытыми и проприетарными моделями.
• MLOps & Production: Вывод моделей в ПРОМ, построение пайплайнов обработки данных на GPU-кластере, организация мониторинга качества и дрейфа моделей.
• Оценка качества: Разработка метрик качества генерации (LLM Eval), проведение A/B тестов.
• Интеграция: Разработка сервисов на Python (API), взаимодействие с командой разработки и продуктовыми аналитиками для контроля и экспертизы требований к данным и функционалу.
Финансовая составляющая:
Закупка и маржинальность
*❗️**❗️**❗️Писать {{apply_contact}}⚡️**⚡️**⚡️**⚡️ С РЕЗЮМЕ В КОТОРОМ УКАЗАН ВОЗРАСТ И ЛОКАЦИЯ НАХОЖДЕНИЯ. Укажите 🆔* ВАКАНСИИ
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- NLP
- LLM
- RAG
- FastAPI
- PySpark
- Airflow
- MLOps
- GPU
- LangGraph
- GigaChat
- LLaMA
- Transformers
- Prompt Engineering
Возможные вопросы на собеседовании
Проверка понимания архитектуры и практического опыта оптимизации поиска.
Расскажите о вашем опыте построения RAG-систем: какие стратегии индексации и ретрива вы использовали для минимизации галлюцинаций?
Оценка навыков проектирования сложных систем на базе LLM.
В чем принципиальное различие между использованием LangChain и LangGraph при создании автономных агентов?
Проверка инженерных навыков и понимания жизненного цикла ML-моделей.
Как вы организуете мониторинг качества ответов LLM в реальном времени после вывода модели в продакшн?
Оценка опыта работы с инфраструктурой и распределенными вычислениями.
С какими основными проблемами вы сталкивались при деплое LLM на GPU-кластеры и как их решали?
Проверка навыков работы с данными в энтерпрайз-среде.
Как обеспечить безопасность персональных данных при использовании внешних API (например, GigaChat или OpenAI) в банковских сервисах?
Похожие вакансии
ML разработчик
Data Scientist Middle
ML разработчик (Senior)
Data инженер (Middle+)
MLOps (банк)
Data Scientist Middle+, Senior
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!