- Страна
- Казахстан
- Зарплата
- 65 $ – 90 $
Lead AI / RAG Engineer: Self-Hosted Knowledge Platform
Оценка ИИВысокая почасовая ставка в долларах, работа с передовым стеком (RAG, vLLM) и удаленный формат делают вакансию очень привлекательной для опытных инженеров. Компания занимается актуальными AI-продуктами.
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 ИИРоль требует глубокой экспертизы как в ML (RAG, эмбеддинги, vLLM), так и в классическом бэкенде и инфраструктуре (Terraform, K8s). Позиция уровня Lead подразумевает ответственность за архитектуру и полный цикл CI/CD.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИСтавка $65-90 в час (примерно $10,400 - $14,400 в месяц при полной занятости) соответствует верхнему сегменту рынка для Lead AI ролей на международном уровне. Это значительно выше средних зарплат в СНГ и конкурентно для Европы/США на удаленке.
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
Lead AI / RAG Engineer: Self-Hosted Knowledge Platform
Eventum AI
65 to 90 USD Gross per hour
Remote
Eventum AI builds production-grade LLM, RAG, agent, and document-intelligence systems.
Responsibilities:
• Lead architecture and implementation of a production RAG knowledge platform
• Build ingestion for Google Workspace, PDFs, scans, tables, and images
• Implement ACL-aware retrieval, hybrid search, reranking, and citation-backed generation
• Deploy and benchmark open-weight models with vLLM or similar
• Build evaluation, observability, CI/CD, and production handoff
Requirements:
• 6+ years of software/ML engineering experience
• Strong production LLM/RAG and Python/backend experience
• Experience with embeddings, vector search, reranking, and document pipelines
• Experience serving open-weight LLMs with vLLM, SGLang, Triton, TGI, or similar
• Strong cloud/infrastructure skills: Docker, Terraform/Kubernetes, or CI/CD
• Experience with LLM evaluation and production reliability
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- LLM
- RAG
- vLLM
- Docker
- Terraform
- Kubernetes
- Vector Search
- SGLang
- Triton
- TGI
- CI/CD
Возможные вопросы на собеседовании
Проверка понимания безопасности данных в корпоративных поисковых системах.
Как бы вы реализовали ACL-aware retrieval (поиск с учетом прав доступа) в векторной базе данных, чтобы гарантировать, что пользователь видит только разрешенные фрагменты?
Оценка практического опыта работы с инференсом моделей.
Какие основные проблемы возникают при деплое open-weight моделей через vLLM в продакшн и как вы оптимизируете пропускную способность (throughput)?
Проверка навыков обработки неструктурированных данных.
Опишите ваш подход к обработке сложных PDF-документов с таблицами и изображениями для последующего индексирования в RAG.
Оценка методологии разработки и качества.
Как вы выстраиваете процесс оценки (evaluation) качества ответов LLM и релевантности поиска в условиях отсутствия размеченного датасета?
Проверка архитектурного мышления.
В каких случаях вы бы предпочли гибридный поиск (BM25 + Vector) чисто векторному, и как настроить веса для их объединения?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
