- Страна
- Россия
Откликайтесь
на вакансии с ИИ
ML Engineer
Оценка ИИТ1 — крупный и стабильный игрок на рынке IT. Вакансия предлагает работу с актуальным стеком (GenOps, LLM-агенты) и удаленный формат, что делает её очень привлекательной для опытных инженеров.
Сложность вакансии
Оценка ИИРоль требует глубоких знаний как в классической бэкенд-разработке (FastAPI, Kafka, асинхронность), так и в специфических LLM-фреймворках и метриках оценки качества генерации. Высокая планка ответственности за масштабируемость и мониторинг AI-агентов.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции ML-инженера с фокусом на LLM и GenOps в крупных российских компаниях уровня Т1 рыночные вилки обычно начинаются от 300 000 рублей для Middle+ и выше.
Сопроводительное письмо
Меня заинтересовала вакансия ML Engineer в компании Т1, так как мой опыт разработки на Python и работы с LLM-фреймворками, такими как LangChain и LlamaIndex, полностью соответствует вашим задачам. Я имею практический опыт проектирования асинхронных сервисов на FastAPI и работы с брокерами сообщений, что позволит мне эффективно участвовать в развитии вашей GenOps-платформы.
Особый интерес вызывает задача по выстраиванию системы мониторинга качества генерации и борьбы с галлюцинациями. Я знаком с метриками BERTScore и ROUGE и готов применять эти знания для обеспечения высокой точности работы AI-агентов. Уверен, что мои навыки в области бэкенд-разработки и ML помогут вашей команде масштабировать инновационные решения для бизнеса.
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в t1 уже сейчас
Присоединяйтесь к команде Т1 и создавайте передовых AI-агентов для банковского сектора!
Описание вакансии
ML Engineer
#удаленка
Компания: Т1
🔹Вместе с нами тебе предстоит:
-Проектировать и внедрять AI-агентов для конкретных бизнес-задач банка
-Развитие GenOps-платформы — участвовать в создании selfсервисных бэкендсервисов (REST/gRPC), которые позволят датасайентистам и бизнеспользователям быстро разворачивать и настраивать агентов без погружения в инфраструктуру.
-Организация мониторинга качества — выстраивать систему оценки работы агентов: от метрик качества генерации (ответы, галлюцинации) до бизнеспоказателей (точность, скорость выполнения задач).
-Проведение code-review, рефакторинг и оптимизация кода;
-Написание unit-тестов;
-Обеспечение высокой доступности и масштабируемости систем на основе LLM
🔹Какие знания и навыки для нас важны:
-Знание Python, FastAPI, aiohttp, aiokafka;
-Понимание основ алгоритмов и структур данных;
-Опыт работы с брокером сообщений (Kafka, RabbitMQ);
-Умение работать с асинхронным/многопоточным кодом;
-Обязательно опыт работы с фреймворками для разработки приложений на базе LLM-моделей (llamaindex/langgraph/langchain/haystack)
-Знание метрик оценки качества (BLEU, ROUGE, BERTScore и пр), подходов к выявлению галлюцинаций.
-Приветствуется опыт FullStack разработки, опыт взаимодействия с фронтенд-разработчиками в части передачи API, опыт верстки по макетам;
Контакты: Откликнуться
Python Job 💬 в Telegram | 💙 в VK | 💬 в Max
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- FastAPI
- aiohttp
- aiokafka
- Kafka
- RabbitMQ
- LlamaIndex
- LangGraph
- LangChain
- Haystack
- LLM
- REST
- gRPC
- Unit Testing
- Code Review
Возможные вопросы на собеседовании
Вакансия предполагает создание AI-агентов для бизнеса. Важно понимать, как кандидат структурирует логику принятия решений агентом.
Расскажите о вашем опыте проектирования AI-агентов: какие архитектурные паттерны (например, ReAct) вы использовали и как обеспечивали надежность их работы?
В описании указано развитие GenOps-платформы. Вопрос проверяет навыки построения инфраструктуры для ML.
Как бы вы спроектировали self-service сервис для дата-сайентистов, чтобы они могли деплоить LLM-приложения без глубоких знаний Kubernetes или CI/CD?
Упоминается борьба с галлюцинациями и метрики качества.
Какие методы валидации ответов LLM в реальном времени вы считаете наиболее эффективными для банковских задач, где критична точность?
Требуется знание aiokafka и асинхронности.
С какими сложностями вы сталкивались при работе с асинхронными потребителями Kafka в Python и как решали проблемы с обработкой ошибок?
Упоминается FullStack опыт как плюс.
Был ли у вас опыт проектирования API (REST/gRPC) специально для интеграции ML-моделей с фронтенд-частью, и на что стоит обращать внимание при передаче данных?
Похожие вакансии
Data инженер Middle+
Data Scientist (Senior)
Data инженер (Senior)
Data Analyst / Data Scientist (Fintech / Payments)
ML разработчик (Senior)
Data Engineer Python (Middle)
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!
- Страна
- Россия