ML-инженер
Оценка ИИИнтересные задачи на острие технологий (агенты, мультиагентные системы), удаленный формат работы и четкие требования. Однако зарплатное предложение находится на нижней границе рынка для Middle ML-инженера в сфере LLM.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИПозиция требует уверенных навыков в актуальных LLM-технологиях (RAG, Agentic AI, Tool Calling), но уровень Middle и зарплатная вилка предполагают, что от кандидата не ждут глубокого опыта в обучении моделей с нуля, фокусируясь на прикладной разработке.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата (150-160к на руки) несколько ниже среднерыночной для Middle ML-инженера со специализацией на LLM в России, где медиана обычно стартует от 200-250к. Тем не менее, это может быть хорошим вариантом для перехода в AI-сферу с крепким Python-бэкграундом.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Data World
ML-инженер
от 150 000 до 160 000 ₽ за месяц, на руки
Опыт работы: 1–3 года
Полная занятость
График: 5/2
Формат работы: удалённо
*☑️* Чем предстоит заниматься
-Разрабатывать AI-агентов и мультиагентные сценарии для автоматизации различных этапов PDLC
-Развивать Ассистента платформы на базе LLM
-Реализовывать поиск релевантных знаний по запросу пользователя на естественном языке
-Проектировать agentic workflow: планирование, выбор инструментов, выполнение действий, проверка результата и обработка ошибок
-Реализовывать механизм вызова инструментов платформы через LLM: tool calling / function calling
-Разрабатывать и развивать RAG-механизмы и работу с корпоративными базами знаний
-Создавать LLM-приложения для анализа логов, метрик, БД, документации и других данных платформы
-Разрабатывать агентов для тестирования, сопровождения и диагностики автоматизированных процессов
-Проектировать механизмы памяти и управления контекстом AI-агентов
-Разрабатывать подходы к автоматизированной оценке качества ответов и действий LLM
-Проводить эксперименты с моделями, промптами, контекстом и агентными архитектурами
-Оптимизировать latency, качество и потребление токенов
-Совместно с backend- и frontend-командами интегрировать AI-функциональность в продукт
*☑️* Наши пожелания к кандидатам
-Уверенное владение Python
-Практический опыт разработки приложений на базе LLM
-Понимание принципов работы современных языковых моделей и ограничений LLM
-Практический опыт работы с AI Agents / Agentic AI, tool calling / function calling, RAG, embeddings и vector databases, prompt engineering, structured output, управлением контекстом и памятью агентов
-Опыт разработки production-ready сервисов и интеграции через REST API
-Умение самостоятельно декомпозировать исследовательскую задачу и доводить эксперимент до работающего продукта
-Понимание того, как измерять качество LLM-приложения, а не только оценивать результат «на глаз»
-Git, Docker, базовое понимание CI/CD
-Будет плюсом:
-Опыт разработки мультиагентных систем
-Опыт работы с GigaChat, Qwen, DeepSeek, Llama или другими open-source / enterprise LLM
-Опыт использования LangGraph, LangChain, LlamaIndex или собственных agentic-фреймворков
-Опыт построения LLM evaluation / LLM-as-a-Judge
-Опыт работы с MCP и архитектурой инструментов для AI-агентов
-Опыт работы с PostgreSQL и векторными БД
-Опыт работы с Kubernetes / OpenShift
-Опыт inference и оптимизации локально развернутых LLM
-Опыт Fine-tuning / LoRA будет преимуществом, но не является обязательным
-Опыт разработки AI-функциональности для enterprise-продуктов
Контакты: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- LLM
- RAG
- Vector Databases
- Prompt Engineering
- REST API
- Git
- Docker
- CI/CD
- LangChain
- LangGraph
- LlamaIndex
- PostgreSQL
- Kubernetes
- Fine-tuning
Возможные вопросы на собеседовании
Проверка понимания архитектуры современных AI-решений.
Расскажите о вашем опыте проектирования Agentic Workflow: как вы организуете планирование и обработку ошибок в действиях агента?
Оценка практических навыков работы с данными для LLM.
Какие стратегии чанкинга и индексации вы использовали при построении RAG-систем для улучшения качества поиска?
Важный аспект для production-решений.
Как вы подходите к оценке качества ответов LLM (LLM-as-a-Judge или другие метрики) и как боретесь с галлюцинациями?
Проверка навыков оптимизации.
Какими способами вы оптимизировали latency и потребление токенов в своих проектах?
Проверка инженерной базы.
Опишите процесс деплоя вашего LLM-сервиса: как была организована интеграция через REST API и работа в Docker?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
