ML Engineer (NLP / LLM)
Оценка ИИИнтересная роль в государственном секторе с очень современным технологическим стеком. Четкие требования и понятные задачи по развитию NLP-направлений делают вакансию привлекательной для опытных специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИВакансия требует серьезного опыта (от 3 лет) и глубоких знаний в NLP/LLM, включая деплой моделей в продакшн. Стек технологий очень широкий: от классического ML до современных инструментов вроде LangGraph и vLLM.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата от 550 000 ₸ является начальной планкой для Middle ML-специалиста в Астане. На рынке Казахстана опытные инженеры с фокусом на LLM могут претендовать на более высокие суммы, однако для госсектора это конкурентное предложение.
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: офис в Астане
*✔️* Должность/position: ML Engineer (NLP / LLM)
*🏢* Место работы/workplace: АО «Центр развития трудовых ресурсов»
*💸* Заработная плата/salary estimate: от 550 000 ₸ в месяц, до вычета налогов
*📈* Обязанности/responsibilities:
— Строить и fine-tune ML / LLM-модели.
— Вести трекинг экспериментов.
— Полностью сопровождать модели от разработки до production.
— Поддерживать и улучшать существующие модели.
— Работать совместно с аналитиками и dev-командами.
*📌* Требования/requirements:
— Официальный стаж от 3 лет.
— Практический DS-опыт с упором на NLP.
— Опыт deployment ML / LLM-моделей в production.
— Глубокое понимание ML, DL и NLP.
— Знание метрик качества и методов валидации.
— Умение интерпретировать и объяснять результаты моделей.
— Уверенный Python.
*🛠* Технический стек:
— Python
— XGBoost / LightGBM / CatBoost
— Pandas / NumPy / Scikit-learn
— Hugging Face / Transformers / Unsloth
— MLflow / Optuna
— PostgreSQL
— Qdrant / pgvector / Neo4j
— LangChain / LangGraph / MCP
— vLLM / Triton / Llama.cpp
— FastAPI / SQLAlchemy / Pydantic
— Docker / Git / GitLab CI
— Prometheus / Grafana
— Linux
*🌟* Будет плюсом:
— Опыт в Computer Vision.
— Оптимизация inference моделей.
— Профильные сертификаты.
*✅* Условия/working conditions:
— Полная занятость.
— Оформление по трудовому договору.
— График 5/2, 8 часов.
— Офисный формат.
— Выплаты раз в месяц.
*📍* Адрес: Астана, улица Сыганак, 70.
*📢**❗️**🚨* Вакансия: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- NLP
- LLM
- XGBoost
- LightGBM
- CatBoost
- Pandas
- NumPy
- Scikit-learn
- Hugging Face
- Transformers
- Unsloth
- MLflow
- Optuna
- PostgreSQL
- Qdrant
- pgvector
- Neo4j
- LangChain
- LangGraph
- vLLM
- Triton
- llama.cpp
- FastAPI
- SQLAlchemy
- Pydantic
- Docker
- Git
- GitLab CI
- Prometheus
- Grafana
- Linux
- Computer Vision
Возможные вопросы на собеседовании
Проверка практического опыта работы с LLM и понимания процесса дообучения.
Расскажите о вашем опыте fine-tuning LLM: какие методы (например, LoRA/QLoRA) вы использовали и с какими трудностями сталкивались?
Оценка навыков вывода моделей в продакшн, что указано в требованиях.
Как вы организуете процесс деплоя ML-моделей и какие инструменты (vLLM, Triton) предпочитаете для оптимизации инференса?
Проверка знаний в области RAG-систем, так как в стеке указаны векторные БД.
Каков ваш подход к построению RAG-систем и как вы выбираете между Qdrant, pgvector и графовыми БД вроде Neo4j?
Оценка умения работать с жизненным циклом модели.
Как вы используете MLflow для трекинга экспериментов и обеспечения воспроизводимости результатов в команде?
Проверка навыков работы с данными и классическим ML.
В каких случаях вы предпочтете градиентный бустинг (CatBoost/XGBoost) нейронным сетям для решения задач NLP?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
