- Страна
- Россия
- Зарплата
- 2 000 ₽ – 2 500 ₽
Откликайтесь
на вакансии с ИИ
ML разработчик (Senior)
Оценка ИИИнтересный проект на стыке No-code и High-code с использованием актуальных технологий (GenAI, Agents). Однако работа в среде Windows и специфика on-premise могут накладывать определенные ограничения на комфорт разработки.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованием глубокой экспертизы в специфическом инструменте n8n в сочетании с продвинутыми навыками в GenAI, RAG и мультиагентных системах. Также требуется владение широким стеком (Python, JS/TS, React) и опыт работы в закрытых on-premise контурах.
Анализ зарплаты
Оценка ИИУказанная ставка (2000-2500) значительно ниже рыночных ожиданий для Senior ML-разработчика в России и СНГ, особенно с учетом требований к GenAI и Fullstack-навыкам. Обычно специалисты такого уровня претендуют на суммы в 1.5-2 раза выше.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте свое резюме Дмитрию, чтобы принять участие в разработке передовых GenAI-решений на базе n8n!
Описание вакансии
🆔 3032
📅 Дата публикации: 08.04.2026 10:09
🥇 ML разработчик (Senior)
📍 Локация/Гражданство: Россия, Беларусь
🎓 Грейд: Senior
💰 Ставки:
🇧🇾 Ставка: 2000-2500
📎 Задачи:
— Разрабатывать и собирать приложение на базе по-code системы N8N c GenAl-компонентами (мультиагентная система)
— Строить AG-систему, подготавливать данные для загрузки в векторную базу
— Интегрировать решение с витринами данных, корпоративными системами совместно с экспертами, разработчиками этих систем
— Взаимодействовать с аналитиками, бизнес-заказчиком для уточнения требований
— Работать с локальными open-source моделями и решениями на базе GenAI в инфраструктуре предприятия (on-prem)
— Проводить внутренние демо, готовить решения к передаче в продакшн-команды.
— Опыт с n8n от 1 года:
• Глубокое понимание архитектуры платформы, управления цепочками запросов и создания кастомных нод.
— Data Processing:
• Экспертное владение JSON, методами трансформации данных и проектированием схем в PostgreSQL.
— Интеграционный стек:
• Уверенное использование REST/GraphQL/OAuth2/FastAPI
— Development:
• Свободное владение JavaScript/TypeScript/React и Python для реализации сложной бизнес-логики.
— AlOrchestration:
• Построение мультиагентных систем и субагентов с использованием LangChain внутри n8n. Опыт работы с МСР или аналогичными системами.
— RAG & Vector DB:
• Развертывание RAG-систем (от подготовки датасетов до работы с эмбеддингами и векторными хранилищами).
— LLM Optimization:
• Промпт-инжиниринг, балансировка качества, скорости стоимости генерации.
— On-premise&Security:
• Опыт работы с локальными (on-prem) моделями в закрытом корпоративном контуре.
— ОЅ Windows:
• Готовность вести разработку и эксплуатировать решение в среде Windows.
— Data Privacy:
• Навык работы с чувствительными данными, понимание принципов защиты внутризащищенного периметра.
❗️ Обязательные данные по кандидату при подаче:
● ФИО
● Дата рождения
● Страна+Город
● Грейд
● Ставка
● Оценить требования ДА/НЕТ, в соответствии с наличием опыта.
● ВСЕ ТРЕБОВАНИЯ ИЗ ЗАПРОСА ОТРАЖЕНЫ В ПРОЕКТАХ РЕЗЮМЕ
Менеджер: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- n8n
- Generative AI
- Python
- JavaScript
- TypeScript
- React
- LangChain
- PostgreSQL
- REST
- GraphQL
- FastAPI
- RAG
- Vector Database
- Prompt Engineering
Возможные вопросы на собеседовании
Вакансия предполагает создание сложных цепочек и кастомных нод.
Расскажите о самом сложном сценарии в n8n, который вы реализовывали: как была устроена логика и какие кастомные решения пришлось внедрить?
Работа ведется с RAG-системами и векторными БД.
Как вы подходите к оценке качества RAG-системы и какие стратегии чанкинга данных вы используете для минимизации галлюцинаций?
Упоминается построение мультиагентных систем.
В чем заключаются основные сложности при координации нескольких агентов в рамках одной системы и как вы решаете проблему зацикливания или конфликтов между ними?
Проект реализуется в закрытом корпоративном контуре.
С какими ограничениями вы сталкивались при развертывании LLM on-premise и как решали вопросы производительности без доступа к облачным API?
Требуется работа с чувствительными данными.
Какие методы анонимизации или защиты данных вы применяете при подготовке датасетов для локальных моделей машинного обучения?
Похожие вакансии
Senior Data Engineer
Data Scientist Senior
Senior Data Scientist
Senior MLOps инженер
Senior MLOps инженер
Senior Data Engineer
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!