- Страна
- Россия
Откликайтесь
на вакансии с ИИ
ML-Разработчик (Lead)
Оценка ИИИнтересный стек технологий без legacy, возможность влиять на архитектуру и работа с актуальными ML-трендами (RAG). Формат part-time может быть как плюсом для совмещения, так и минусом для тех, кто ищет полную занятость.
Сложность вакансии
Оценка ИИРоль требует редкого сочетания глубоких знаний в Backend-архитектуре (EDA, ReBAC), DevOps-инструментах и специфических ML-технологиях (RAG, векторные БД). Статус Lead подразумевает ответственность за архитектурные решения и управление командой.
Анализ зарплаты
Оценка ИИДля позиции уровня Lead с таким широким стеком (ML + Backend + DevOps) на рынке РФ при полной занятости медиана составляет 450,000–550,000 рублей. Учитывая формат Part-time, оплата обычно рассчитывается пропорционально затраченному времени или по часовой ставке.
Сопроводительное письмо
Меня крайне заинтересовала вакансия ML-разработчика (Lead) в вашем проекте по созданию облачной системы хранения с RAG-функционалом. Мой опыт коммерческой разработки более 5 лет и глубокая экспертиза в построении высоконагруженных микросервисных архитектур на Python (FastAPI, SQLAlchemy) полностью соответствуют вашим требованиям. Я имею практический опыт работы с векторными БД и оптимизацией RAG-пайплайнов, что позволит мне эффективно развивать интеллектуальный поиск в вашей системе.
Особый интерес вызывает использование современных подходов к безопасности, таких как ReBAC и Zanzibar-модель через SpiceDB, а также работа с Event-Driven Architecture. Как опытный Lead, я уделяю большое внимание качеству кода через code review и менторство, а также внедрению лучших практик DevOps (K8s, GitOps). Уверен, что мой технический бэкграунд и лидерские качества помогут вашей команде успешно масштабировать продукт и внедрять инновационные ML-решения.
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Если вы готовы проектировать сложные RAG-системы и управлять командой в амбициозном проекте, отправляйте резюме в Telegram!
Описание вакансии
#вакансия #удаленно #ML #lead #python
ML-Разработчик
Локация: Удаленно
Занятость: Part-time (ГПХ, СМЗ)
Гражданство: РФ
Грейд: Lead
Опыт: от 5 лет коммерческой разработки
О проекте 🤖
Мы создаем высоконагруженную облачную систему хранения со встроенным RAG функционалом. Это не просто «хранилка файлов», а сложная инфраструктура с распределенным доступом, интеллектуальным поиском и бесшовной интеграцией в бизнес-процессы крупных компаний.
Мы находимся в фазе активного роста, поэтому сейчас идеальное время, чтобы прийти в команду, влиять на архитектурные решения и внедрять лучшие практики backend-разработки.
Чем предстоит заниматься
1) Архитектура и разработка: Проектирование и построение масштабируемых микросервисов с нуля, рефакторинг существующих систем, внедрение Event-Driven Architecture.
2) Управление командой: Code review, менторство разработчиков, участие в техническом планировании и распределении задач.
3) ML/AI интеграция: Построение и оптимизация RAG-пайплайнов, проектирование процессов embedding и reranking, работа с векторными БД и парсингом сложных документов.
4) Безопасность и данные: Реализация систем аутентификации (Zitadel) и авторизации на базе ReBAC/Zanzibar (SpiceDB), работа с PostgreSQL, Valkey, S3, брокерами сообщений (NATS/Kafka).
Что мы ждем от тебя
- Backend Core: Опыт коммерческой разработки от 5 лет, уверенное владение FastAPI, Pydantic, SQLAlchemy, глубокое понимание асинхронности.
- Архитектура: Практический опыт построения высоконагруженных распределенных систем, микросервисов и EDA.
- Данные и хранилища: PostgreSQL (проектирование схем, оптимизация запросов, миграции), Valkey/Redis, S3-совместимые хранилища.
- Брокеры сообщений: Опыт интеграции и поддержки NATS или Kafka в production-среде.
- DevOps & Observability: Уверенная работа с Docker, Kubernetes, GitLab CI/CD, ArgoCD (GitOps flow), настройка мониторинга и логирования (OpenTelemetry, Prometheus, Grafana, Sentry).
- IAM & Security: Понимание современных моделей авторизации, опыт внедрения Zitadel или аналогов, знание принципов ReBAC и Zanzibar-модели (SpiceDB или аналоги).
➕ Будет огромным плюсом:
- Опыт работы с векторными базами данных (Milvus, Qdrant) для семантического поиска и ML-задач.
- Навыки парсинга сложных форматов (PDF, Office) с использованием Kreuzberg, Docling или аналогов.
- Практическое понимание работы LLM, опыт оптимизации RAG-пайплайнов, проектирования embedding и reranking стратегий.
- Опыт руководства backend-командой и построения инженерных процессов.
Что мы предлагаем:
✔️ Влияние на продукт: Возможность определять архитектурный стек, внедрять лучшие практики и напрямую влиять на развитие платформы.
✔️ Современные технологии: Работа без legacy, cloud-native подход, актуальные версии фреймворков и инструментов.
✔️ Профессиональный рост: Четкий трек до Tech Lead / Architect, возможность углубиться в ML/AI-инфраструктуру или сфокусироваться на управлении командой.
✔️ Комфорт и поддержка: Гибкий график, минимальная бюрократия, техника на выбор, расширенный пакет бенефитов и оплата профильного обучения/конференций.
Этапы интервью
1) Скрининг (10 мин): Короткое знакомство через переписку
2) Собеседование (1 час): Полное собеседование по техническим вопросам, рассказ о компании.
3) Финал: Подготовка оффера и выход на работу.
🤨 Готов строить будущее работы с информацией вместе с нами? Присылай свое резюме Откликнуться и ссылку на GitHub!
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- LLM
- Kubernetes
- Prometheus
- Grafana
- OpenTelemetry
- PostgreSQL
- RAG
- Redis
- Docker
- Kafka
- GitLab CI/CD
- FastAPI
- ArgoCD
- SQLAlchemy
- NATS
- Sentry
- Milvus
- Pydantic
- Qdrant
Возможные вопросы на собеседовании
Проект использует SpiceDB и модель Zanzibar. Важно понимать, как кандидат проектирует сложные системы прав доступа.
Расскажите о вашем опыте реализации ReBAC. В чем основные преимущества модели Zanzibar перед традиционным RBAC в распределенных системах?
Вакансия предполагает работу с высоконагруженными системами и брокерами сообщений.
Какие паттерны Event-Driven Architecture вы использовали в продакшене и как решали проблему обеспечения консистентности данных (например, паттерн Outbox)?
RAG — ключевая фича проекта. Нужно проверить понимание качества поиска.
Как вы подходите к оценке качества RAG-пайплайна? Какие метрики и стратегии реранжирования (reranking) вы считаете наиболее эффективными для сложных документов?
Упоминается работа с векторными БД (Milvus, Qdrant).
С какими проблемами масштабирования векторных индексов вы сталкивались и как выбирали между различными типами индексов (HNSW, IVF)?
Позиция Lead подразумевает менторство.
Опишите ваш подход к проведению Code Review. Как вы балансируете между поддержанием высокого качества кода и скоростью поставки фич (Time-to-Market)?
Похожие вакансии
Data Engineering Team Lead (команда Clickhouse)
TPO ML
Lead ML Specialist / Generative Video Engineer
Team Lead Data Engineer (Data Platform / DWH)
Team Lead ML (Recommender Systems)
ML Team Lead (KYC / ID Verification / Biometrics)
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!
- Страна
- Россия