- Страна
- Россия
Откликайтесь
на вакансии с ИИ
ML Engineer
Оценка ИИИнтересная роль на острие технологий (LLM/RAG) с современным стеком, однако отсутствие названия компании и вилки зарплаты снижает прозрачность предложения.
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.
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.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Если вы умеете превращать LLM-модели в надежные продакшен-сервисы, откликайтесь прямо сейчас!
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
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- LLM
- Fine-tuning
- Kubernetes
- MLOps
- RAG
- NLP
- Docker
- PySpark
- Airflow
- Kafka
- Hadoop
- Jenkins
- MLflow
- KServe
- Seldon
- Argo Workflows
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?
Похожие вакансии
AI / Product Engineer (.NET)
AI / Product Engineer (.NET)
AI разработчик
AI Automation / Full-stack Engineer с опытом Claude Code / Codex, MCP, API
Python / LLM Engineer: RAG и ИИ-агенты
GenAI-разработчик / бизнес-аналитик
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!