- Страна
- Россия
- Зарплата
- 2 000 ₽ – 3 500 ₽
Откликайтесь
на вакансии с ИИ
ML-инженер (RAG/LLM)
Оценка ИИИнтересный проект с четко поставленными техническими задачами и прозрачной почасовой оплатой. Формат part-time и удаленка делают вакансию отличным вариантом для опытных инженеров в качестве дополнительной нагрузки.
Сложность вакансии
Оценка ИИРабота требует глубокой экспертизы в RAG и LLM, а также умения работать со сложными форматами данных (PDF с таблицами). Основная сложность заключается в необходимости быстро поднять точность системы с 60% до приемлемых показателей в сжатые сроки.
Анализ зарплаты
Оценка ИИСтавка 2000-3500 рублей в час соответствует рыночному уровню для Middle/Senior ML-инженеров на проектной работе в России. При полной занятости это эквивалентно 320,000 - 560,000 рублей в месяц, что является конкурентным предложением для специалистов по LLM.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Если вы запускали RAG в продакшене и умеете работать с метриками, откликнитесь в Telegram, чтобы обсудить проект!
Описание вакансии
#middle #senior #удаленка #parttime #проект
**AI-агентство (ИП)
ML-инженер (RAG/LLM)**
Опыт работы: RAG в продакшене
Занятость: проектная, part-time
Формат работы: удалённо
Ищем инженера на контрактный проект: Q&A-система по инженерной технической документации, 3000+ PDF с таблицами и перекрёстными ссылками. Стек: Python, Supabase, OpenAI API. Пайплайн собран и работает, точность около 60%, теряется на отборе чанков и генерации. Первый этап 3 недели, при успехе работа на месяцы.
*☑️ Чем предстоит заниматься*
- Построить замерочный стенд: эталонные вопросы, автоматическая оценка, базовая линия точности
- Разобрать причины отказов модели при корректном ретриве
- Улучшить отбор evidence, промпты, подбор модели
- Снизить себестоимость одного ответа
- Далее: метаданные чанков, структурное извлечение таблиц из PDF, граф ссылок между документами
*☑️ Наши пожелания к кандидатам*
- Практический опыт RAG в продакшене, не туториалы
- Python, векторные базы: pgvector, Supabase или аналоги
- Привычка измерять качество метриками, а не на глаз
- Умение разбираться в чужом коде
- Плюсом: опыт с большими PDF, таблицами, техдокументацией
*☑️ Условия*
- Оплата 2000-3500 ₽/час, еженедельно по факту принятой работы, без задержек
- Удалёнка, гибкий график, part-time
- Постановка задач и коммуникация с заказчиком на руководителе проекта
В отклике просьба указать: самый сложный ваш RAG-проект и что было
в нём узким местом.
Контакты: Telegram Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- LLM
- RAG
- Vector Databases
- Supabase
- pgvector
- OpenAI API
- PDF parsing
Возможные вопросы на собеседовании
Вакансия предполагает работу над улучшением существующего пайплайна с низкой точностью.
Расскажите о вашем опыте построения замерочных стендов для RAG: какие метрики (например, RAGAS) вы использовали и как формировали датасет эталонных вопросов?
Проект связан с обработкой 3000+ PDF с таблицами.
Какие стратегии парсинга и чанкинга вы применяете для PDF-файлов со сложной структурой и таблицами, чтобы сохранить семантическую связность?
Одной из задач является снижение себестоимости ответа.
Какими методами вы планируете оптимизировать стоимость использования OpenAI API без значительной потери качества генерации?
Модель часто ошибается даже при корректном ретриве.
Как вы диагностируете причины 'галлюцинаций' или отказов модели, если релевантный контекст был успешно найден в базе?
Упоминается использование Supabase и pgvector.
