LLM-разработчик для юридических ИИ-агентов
Оценка ИИЯндекс — топовый работодатель с сильной инженерной культурой и отличным соцпакетом (ДМС с первого месяца). Работа над передовыми LLM-агентами в юридической сфере — это престижный и технологически сложный опыт. Единственный минус — отсутствие указанной вилки зарплаты.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубокому опыту в LLM и RAG (от 2 лет), а также необходимостью работы над высоконагруженными сервисами Яндекса. Ожидается владение современным стеком (LangGraph, AutoGen) и умение оптимизировать задержки моделей.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в Яндексе для Senior/Middle+ ML-разработчиков обычно соответствует верхнему квартилю рынка. Учитывая сложность задач и требования к опыту с LLM, можно ожидать конкурентное предложение, включающее годовые бонусы и опционы.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*💻 Яндекс ищет LLM-разработчика для юридических ИИ-агентов*
Удалённо · зарплата не указана
Команда Нейроюриста делает сервис, который помогает отвечать на правовые вопросы. Предстоит улучшать поиск по документам, настраивать RAG, разрабатывать агентов и оценивать качество их ответов.
Нужны Python и больше 2 лет работы в ML/NLP/LLM-проектах, включая действующие продукты. Важен опыт с языковыми моделями и RAG. LangGraph, AutoGen и Pydantic AI будут плюсом.
Среди задач — дообучение моделей, сокращение задержек и масштабирование сервисов. Расширенная ДМС действует с первого месяца.
*➡️* Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- ML
- NLP
- LLM
- RAG
- LangGraph
- Autogen
- Pydantic AI
Возможные вопросы на собеседовании
Проверка практического опыта работы с Retrieval-Augmented Generation, что является ключевым навыком для данной роли.
Расскажите о наиболее сложной архитектуре RAG, которую вы внедряли. С какими проблемами качества поиска вы столкнулись и как их решили?
Вакансия подразумевает работу над ИИ-агентами. Важно понимать, как кандидат структурирует логику принятия решений моделью.
В чем разница между использованием LangGraph и стандартных цепочек LangChain при проектировании многошаговых агентов?
Для юридического сервиса точность критична. Вопрос проверяет умение кандидата строить систему оценки.
Какие метрики и подходы вы используете для оценки галлюцинаций и фактической точности ответов LLM в юридическом домене?
В описании указана задача сокращения задержек.
Какие методы оптимизации инференса LLM вы применяли на практике для уменьшения Time To First Token (TTFT)?
Проверка навыков работы с данными и дообучения.
В каких случаях вы бы предпочли Fine-tuning модели вместо RAG, и как бы вы готовили датасет для дообучения под юридическую специфику?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
