Middle Data Scientist | LLM / AI Agents
Оценка ИИАктуальный стек технологий (LLM, AI Agents) делает вакансию очень привлекательной для профессионального роста. Возможность удаленной работы из нескольких стран СНГ расширяет круг потенциальных кандидатов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний в современной области LLM и AI-агентов, а также уверенного владения классическим ML и навыками бэкенд-разработки на Python. Сочетание требований к инфраструктуре (Docker, CI/CD) и специфическим фреймворкам (LangGraph, vLLM) делает позицию технически насыщенной.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая роль Middle Data Scientist в области LLM соответствует рыночным трендам, где специалисты с навыками AI Agents ценятся выше среднего. Ожидаемый диапазон для такого стека в РФ и СНГ составляет от 250 000 до 400 000 рублей в зависимости от глубины экспертизы в RAG и оптимизации инференса.
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
Требования:
Коммерческий опыт Python от 2 лет (async/await, ООП, typing). FastAPI, REST API, PostgreSQL, продвинутый SQL. Практический опыт работы с LLM (OpenAI API, vLLM или аналоги). Prompt Engineering, понимание ограничений LLM. Знакомство с AI Agents: ReAct, LangChain, LangGraph, LlamaIndex или AutoGen. Классический ML: scikit-learn, pandas, numpy, алгоритмы ML, метрики и валидация моделей. Docker, Git, CI/CD, unit-тестирование. Базовое понимание GPU и оптимизации инференса. Будет плюсом: Опыт разработки RAG-систем. Векторные БД: Qdrant, Pinecone, Weaviate. Развёртывание LLM через vLLM. Kubernetes. Batching, caching, quantization, streaming.
Локация:*📍*Удалённо. Россия, Беларусь, Казахстан.
Контакт для отклика: Откликнуться +CV
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- FastAPI
- PostgreSQL
- SQL
- LLM
- OpenAI API
- vLLM
- Prompt Engineering
- LangChain
- LangGraph
- LlamaIndex
- Autogen
- Scikit-learn
- Pandas
- NumPy
- Docker
- Git
- CI/CD
- RAG
- Qdrant
- Pinecone
- Weaviate
- Kubernetes
Возможные вопросы на собеседовании
Проверка понимания архитектуры современных AI-систем и умения работать с графами состояний.
В чем ключевое отличие LangGraph от стандартных цепочек LangChain при создании сложных AI-агентов?
Оценка практического опыта в оптимизации поиска информации для LLM.
Какие стратегии улучшения качества RAG-системы вы применяли (например, гибридный поиск или reranking)?
Проверка навыков работы с асинхронностью в Python, что критично для высоконагруженных API.
Как вы обрабатываете длительные запросы к LLM в FastAPI, чтобы не блокировать событийный цикл?
Оценка понимания ограничений моделей и методов их преодоления.
Как вы боретесь с галлюцинациями LLM в задачах, требующих высокой точности данных?
Проверка знаний в области оптимизации производительности моделей.
Что такое квантование (quantization) и в каких случаях его целесообразно применять при развертывании LLM?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
