Middle Data Scientist (LLM / AI Agents)
Оценка ИИЛАНИТ — стабильный и крупный игрок на рынке с интересными проектами. Предложение включает удаленный формат работы и конкурентную для Middle-уровня оплату, особенно при оформлении по ГПХ.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИПозиция требует уверенных знаний в области LLM и AI-агентов, что является актуальным, но сложным направлением. Уровень Middle предполагает наличие практического опыта реализации подобных систем.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата в 160-190 тысяч рублей соответствует рыночному медианному значению для Middle Data Scientist в России, хотя верхняя планка по ГПХ чуть выше среднего для этого грейда. На рынке Москвы опытные специалисты в области LLM могут претендовать на суммы до 250-300 тысяч, но для регионов и СНГ это очень достойное предложение.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Middle Data Scientist (LLM / AI Agents)
в ЛАНИТ — одна из ведущих российских ИТ-компаний, выполняющая промышленные заказы и нестандартные наукоёмкие проекты в области программирования.
160К (ТК) / 190К (ГПХ). Удалённая работа (Россия, Беларусь, Казахстан).
Ищет Инга Дмитриева, её Откликнуться.
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- LLM
- AI Agents
- Python
- Machine Learning
- NLP
- LangChain
Возможные вопросы на собеседовании
Проверка понимания архитектурных особенностей современных языковых моделей.
Расскажите о вашем опыте работы с LLM: какие архитектуры использовали и как решали проблему галлюцинаций?
Оценка навыков проектирования автономных систем.
Как вы проектируете AI-агентов? Какие фреймворки (например, LangChain, AutoGPT) вы использовали для управления логикой агента?
Проверка знаний в области оптимизации моделей под конкретные задачи.
В каких случаях вы бы предпочли Fine-tuning модели, а в каких — использование RAG (Retrieval-Augmented Generation)?
Оценка навыков работы с векторными базами данных.
Какие векторные хранилища вы использовали для работы с эмбеддингами и как оптимизировали поиск в них?
Проверка умения оценивать качество работы генеративных моделей.
Какие метрики вы используете для оценки качества ответов LLM в продакшн-системах?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
