- Страна
- Россия
ML Engineer
Оценка ИИИнтересная роль на острие технологий (LLM/RAG) с современным стеком, однако отсутствие названия компании и вилки зарплаты снижает прозрачность предложения.
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 ИИВысокая сложность обусловлена требованием глубоких инженерных навыков (Backend/MLOps) в дополнение к ML, а также необходимостью опыта работы с Big Data стеком.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата для ML-инженера с таким глубоким стеком (MLOps + Big Data) в РФ обычно начинается от 300 000 рублей. Верхняя граница для Senior-специалистов может достигать 500 000 рублей и выше в зависимости от масштаба проектов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
#вакансия #удаленно #РФ #ML
Вакансия: ML Engineer
Локация: РФ
В нашу команду нужен сильный разработчик, который строит production-решения на базе LLM, а не просто обучает модели в ноутбуке.
Критически важно:
✅ Реальный опыт разработки RAG-пайплайнов и работы с LLM в продакшене.
✅ Крепкий бэкенд (Python) + опыт внедрения ML-моделей как сервисов.
✅ Вы больше разработчик, чем Data Scientist.
🛠 Стек и технологии:
Core: Python (3+ лет в коммерческой разработке)
Orchestration & MLOps: Airflow / Argo Workflows, MLflow, Jenkins
Big Data & Streaming: Hadoop, PySpark, Kafka
Deployment: Docker, Kubernetes, Seldon / Kserve
ML/LLM: Опыт работы с ML-моделями, NLP, LLM (RAG, fine-tuning, deployment)
Отлик: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- LLM
- RAG
- Airflow
- Argo Workflows
- MLflow
- Jenkins
- Hadoop
- PySpark
- Kafka
- Docker
- Kubernetes
- Seldon
- KServe
- NLP
- Fine-tuning
- MLOps
Возможные вопросы на собеседовании
Проверка практического опыта работы с RAG, что является ключевым требованием.
Расскажите о самом сложном RAG-пайплайне, который вы внедряли: как решали проблему релевантности контекста и галлюцинаций?
Вакансия ориентирована на инженеров, поэтому важно понимать навыки деплоя.
Какие инструменты (Seldon, Kserve или кастомные решения) вы использовали для сервировки LLM и как обеспечивали низкую задержку (latency)?
В стеке указаны Kafka и PySpark, что предполагает работу с данными в реальном времени.
Как вы организуете мониторинг качества работы модели в стриминговых пайплайнах с использованием Kafka?
Проверка навыков MLOps и автоматизации.
Опишите ваш опыт настройки CI/CD для ML-моделей: как автоматизированы этапы тестирования и переобучения в Jenkins или Argo?
Важно понять, как кандидат выбирает инструменты под задачу.
В каких случаях вы предпочтете fine-tuning модели вместо использования RAG, и какие ресурсы для этого потребуются?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
