Middle+ Data Science
Оценка ИИПривлекательная вакансия для опытных специалистов с актуальным стеком (LLM, RAG, FastAPI). Удаленный формат работы по РФ добавляет гибкости.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубокому знанию Python (управление памятью, асинхронность) и опыту работы с enterprise-стеком (Kubernetes, Kafka, RAG).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции Middle+ Data Scientist с навыками LLM и DevOps-инструментарием рыночный диапазон в РФ составляет от 250 000 до 450 000 рублей. Проекты с RAG и ИИ-агентами сейчас оцениваются выше среднего по рынку DS.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Middle+ Data Science
Требования:
Уверенное знание Python (ООП, typing, итераторы, генераторы, управление памятью). Опыт асинхронного и конкурентного программирования, разработки надежных сервисов на FastAPI, TDD, мониторинга и аудита. Работа с процессами ОС, управлением ресурсами и защитой от OOM. Опыт реализации enterprise RAG, ИИ-агентов на чистом Python и LangChain/LangGraph, настройки LLM-инференса, деплоя микросервисов (Docker, Kubernetes), Kafka-консьюмеров и enterprise ETL-процессов.
Локация:*📍* Удаленно из РФ.
Контакт для отклика: Откликнуться или Откликнуться +CV
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- FastAPI
- LLM
- Kafka
- ETL
- RAG
- LangChain
- LangGraph
- Docker
- Kubernetes
- TDD
- Asynchronous Programming
Возможные вопросы на собеседовании
Проверка глубоких знаний Python, необходимых для оптимизации производительности.
Расскажите, как вы боретесь с утечками памяти и OOM-киллером в долгоживущих Python-процессах при работе с LLM?
Оценка практического опыта построения сложных ИИ-систем.
В чем принципиальная разница в архитектуре при использовании LangGraph по сравнению с обычными цепочками LangChain для создания агентов?
Проверка навыков работы с потоковыми данными.
Как вы обеспечиваете семантику 'exactly-once' или 'at-least-once' при обработке данных из Kafka в ваших ETL-процессах?
Оценка навыков проектирования API для ML-моделей.
Какие паттерны вы используете в FastAPI для обеспечения высокой доступности и отказоустойчивости LLM-сервиса под нагрузкой?
Проверка понимания специфики RAG в корпоративном сегменте.
С какими основными проблемами качества ответов вы сталкивались при реализации enterprise RAG и как их решали (например, гибридный поиск, reranking)?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
