- Страна
- Россия
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.
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 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.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
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.
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
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?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
