- Страна
- Россия
- Зарплата
- 600 000 ₽ – 700 000 ₽
ML Tech Lead (LLM-агенты)
Оценка ИИОтличное предложение с высокой «белой» зарплатой, современным стеком (LangGraph, Python 3.13) и возможностью удаленной работы из любой точки мира. Проект имеет реальную социальную значимость и четкие цели на год вперед.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль требует глубокой экспертизы в LLM-агентах и LangGraph, а также опыта вывода высоконагруженных систем в продакшн. Высокая планка ответственности за архитектуру без прямого управления людьми делает позицию технически сложной.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая вилка 600–700к gross является верхней границей рынка для позиции ML Tech Lead в России и СНГ, полностью соответствуя уровню ответственности и требованиям к экспертизе в области LLM.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
tldr: ML Tech Lead (LLM-агенты), 700к гросс, удаленка по миру
Контекст
Лучи — онлайн-страховая (ДМС, >1 млн застрахованных) со своей телемед-клиникой. Строим ИИ-медицину: агентную систему, которая снимает с наших врачей и операторов рутину — сбор анамнеза и контекста по записи, саммаризацию медкарты, драфт заключения, проверку назначений. Команда (3 ML, 2 BE, SA + QA) уже собрана — нужен техлид команды: архитектура, ключевые технические решения, код-ревью, доведение системы до прода. People management (найм, 1:1, перформанс-ревью) в роль не входит, но можно включить при желании.
Задачи
Ближайшие 3 мес: довести пилот сбора анамнеза до прода в клинике — архитектура агента (LangGraph), оркестрация и управление контекстом, evaluation-контур с разметкой врачей, метрики качества и стоимости на запрос.
6–12 мес: расширить систему на саммаризацию медкарт и драфт заключений, поднять контур дообучения на данных клиники (SFT/LoRA), вывести решение на масштаб всей клиники с контролем экономики.
Что нужно
— 4+ лет в ML, есть выведенные в прод LLM-решения под реальной нагрузкой;
— RAG, агентные архитектуры, MCP; дообучение (LoRA/QLoRA/SFT);
— Python, FastAPI, Docker/k8s, Kafka/RabbitMQ;
Плюс: MedTech, NLP на медтекстах, vLLM/SGLang в проде.
Стек: Python 3.13, FastAPI, PostgreSQL, LangGraph, MLflow, Kafka, k8s.
Формат: фултайм, трудовой договор / ГПХ, российское ЮЛ. Удалёнка из любой точки мира или гибрид (офис — Москва, м. Савёловская).
Вилка: 600–700 тыс. руб. gross + ДМС Лучи себе и детям, 28 дней отпуска.
Писать: Артем Дерут, Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- FastAPI
- Docker
- Kubernetes
- Kafka
- RabbitMQ
- PostgreSQL
- LangGraph
- MLflow
- LLM
- RAG
- NLP
- SFT
- LoRA
- QLoRA
Возможные вопросы на собеседовании
Проверка опыта работы с основным инструментом оркестрации, указанным в стеке.
Расскажите о вашем опыте работы с LangGraph: какие паттерны управления состоянием (State) и циклы вы использовали в своих проектах?
Важно понять, как кандидат обеспечивает надежность ответов в критической области медицины.
Как вы планируете выстраивать evaluation-контур для оценки качества медицинских заключений, генерируемых LLM? Какие метрики, помимо экспертной оценки врачей, вы бы внедрили?
Проверка навыков оптимизации стоимости и производительности системы.
Какие стратегии оптимизации стоимости (cost per request) и задержки (latency) вы применяли при масштабировании LLM-решений под нагрузкой?
Оценка навыков дообучения моделей, указанных в требованиях.
В каких случаях вы бы предпочли RAG, а в каких — дообучение через SFT или LoRA на данных клиники? Опишите ваш подход к подготовке датасета для таких задач.
Проверка архитектурного мышления в контексте интеграции с бэкендом.
Как вы организуете взаимодействие между LLM-агентами и внешними системами через Kafka и FastAPI для обеспечения отказоустойчивости?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
