- Страна
- Казахстан
- Зарплата
- 2 300 $ – 2 800 $
Middle ML Engineer (Python)
Оценка ИИИнтересная роль в международной компании с современным стеком (GenAI, LLM). Полная удаленка и прозрачная вилка в долларах делают вакансию привлекательной, хотя зарплата находится на среднем уровне для Middle+ специалиста.
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 ИИПозиция требует глубоких знаний в современных LLM-фреймворках (LangGraph, LangChain) и одновременно сильного бэкенд-бэкграунда на Django. Высокий уровень английского и необходимость работы с RAG-системами в продакшне делают отбор достаточно строгим.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная вилка $2300–2800 соответствует среднерыночным значениям для Middle ML инженеров в Казахстане и СНГ, однако для международного рынка с требованиями уровня Senior/Middle+ это предложение может быть чуть ниже медианы. Тем не менее, формат удаленной работы из любой точки (кроме РФ/РБ) добавляет вакансии ценности.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*📍*Формат/working arrangement: удалённо
*✔️*Должность/position: Middle ML Engineer (Python)
*🏢* Место работы/workplace: Mad Devs
*💸* Заработная плата/salary estimate: 2 300–2 800 $ в месяц, до вычета налогов
*📈* Обязанности/responsibilities:
— Проектировать и разрабатывать LLM pipelines, AI agents и RAG-системы.
— Реализовывать function/tool calling и structured output.
— Разрабатывать production-grade Python-сервисы на Django, Celery и Redis.
— Проверять продуктовые гипотезы на реальных данных.
— Измерять и оптимизировать качество, производительность и стоимость LLM.
— Совместно с product и engineering командами превращать идеи в масштабируемые решения.
*📌* Требования/requirements:
— 2+ года опыта с NLP-проектами в production.
— Сильный опыт разработки production LLM applications.
— Практический опыт с RAG, embeddings, vector search, prompt engineering и LLM evaluation.
— LangGraph, LangChain или аналогичные фреймворки.
— 3+ года Python backend: Django, PostgreSQL, async programming.
— Уверенные SQL и Pandas.
— Английский B2–C1.
— Русский C1.
— Локация: любая, кроме России и Беларуси.
*🌟* Будет плюсом:
— Qdrant, pgvector или другие vector databases.
— Fine-tuning моделей.
— Text classification и embedding models.
— Kubernetes.
— gRPC.
— Go.
*🛠* Технический стек:
— Python
— LLM
— RAG
— NLP
— Django
— Celery
— Redis
— PostgreSQL
— SQL
— Pandas
— LangChain
— LangGraph
— Vector Search
— Qdrant
— pgvector
*🎯* Основные задачи проекта:
— Развивать AI-слой продуктов от исследований до production.
— Создавать LLM- и RAG-функциональность.
— Повышать качество и эффективность GenAI-систем.
— Внедрять AI-решения в реальные продукты.
— Участвовать в развитии AI-продуктов для международных рынков.
*🏢* О компании:
— Mad Devs — международная software development компания.
— Проекты компании работают в Европе, США и Юго-Восточной Азии.
*✅* Условия/working conditions:
— Полная занятость.
— Полностью удалённый формат работы.
— График 5/2.
— Рабочий день 8 часов.
— Заработная плата 2 300–2 800 $ до вычета налогов.
— Выплаты раз в месяц.
— Возможности профессионального развития.
*📍* Адрес: Алматы / удалённо.
*📢**❗️**🚨* Вакансия: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- LLM
- RAG
- NLP
- Django
- Celery
- Redis
- PostgreSQL
- SQL
- Pandas
- LangChain
- LangGraph
- Qdrant
- pgvector
- Kubernetes
- gRPC
- Go
Возможные вопросы на собеседовании
Проверка практического опыта работы с RAG и понимания проблем галлюцинаций.
Как вы подходите к оценке качества ответов RAG-системы и какие метрики используете для минимизации галлюцинаций?
Оценка навыков проектирования сложных AI-агентов.
В чем основные преимущества использования LangGraph по сравнению с обычными линейными цепочками в LangChain для создания AI-агентов?
Проверка знаний в области векторного поиска.
Какие стратегии индексации в векторных БД (например, Qdrant или pgvector) вы бы выбрали для системы с миллионами документов?
Оценка бэкенд-компетенций и работы с асинхронностью.
Как эффективно организовать обработку длительных LLM-запросов в Django-приложении с использованием Celery и Redis?
Проверка навыков оптимизации стоимости и производительности.
Какие методы оптимизации стоимости использования LLM API вы применяли на практике без значительной потери качества?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
