- Страна
- Россия
Откликайтесь
на вакансии с ИИ
NLP-специалист
Оценка ИИОтличная возможность работать в топовой NLP-команде страны с передовым стеком. Формат One Day Offer значительно ускоряет процесс найма, а масштаб задач Сбера гарантирует профессиональный рост.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена необходимостью владения современным стеком (LangGraph, vLLM, PEFT) и умением работать в очень быстром темпе (вывод в продакшн менее чем за 3 месяца). Требуется опыт в построении сложных RAG-систем и мультиагентных архитектур.
Анализ зарплаты
Оценка ИИСбер обычно предлагает зарплаты на уровне или чуть выше рыночного медианного значения для NLP-инженеров в России, дополняя их сильным соцпакетом и годовыми бонусами. Указанный стек технологий соответствует высокооплачиваемым позициям уровня Middle+/Senior.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Сбер уже сейчас
Успейте занять слот на One Day Offer и получите оффер в Сбер всего за один день!
Описание вакансии
От идеи до продакшна < 3 месяцев, менять государственные и бизнес процессы — ты готов ? 🚀**
Прямо сейчас Сбер ищет NLP-специалиста в команду, которая внедряет передовые harness в масштабные процессы, создаёт мультиагентные сценарии, RAG для миллионов документов, OSINT/deep‑research.
Ты будешь работать с передовым LLM‑стеком: LangChain и LangGraph, vLLM и PEFT/LoRA, полным RAG‑стеком, Vector DB (Qdrant, Weaviate) и инфраструктурой на FastAPI, Pydantic и asyncio.
Попасть в команду можно за 1 день — если пройдёшь все этапы отбора на One Day Offer, который состоится уже 5 сентября.
Откликнуться — количество слотов стремительно уменьшается! *💚*
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- LLM
- LoRA
- RAG
- NLP
- FastAPI
- LangChain
- Weaviate
- LangGraph
- Pydantic
- asyncio
- vLLM
- Qdrant
- PEFT
Возможные вопросы на собеседовании
Проверка понимания архитектуры мультиагентных систем, упомянутых в описании.
В чем ключевое отличие LangGraph от стандартных цепочек LangChain при построении мультиагентных сценариев?
Оценка навыков оптимизации инференса LLM.
Какие преимущества дает использование vLLM по сравнению с обычным Hugging Face Transformers при развертывании моделей в продакшн?
Проверка практического опыта работы с RAG на больших объемах данных.
С какими проблемами масштабирования RAG вы сталкивались при работе с миллионами документов и как их решали на уровне Vector DB?
Оценка знаний в области эффективного дообучения моделей.
В каких случаях вы выберете LoRA вместо полного Fine-tuning, и как это влияет на потребление ресурсов и качество модели?
Проверка навыков разработки высоконагруженных API.
