- Страна
- Россия
Откликайтесь
на вакансии с ИИ
NLP-специалист (One Day Offer)
Оценка ИИОтличное предложение от лидера рынка с передовым технологическим стеком и возможностью быстрого найма (One Day Offer). Проекты имеют реальное влияние на государственные процессы, что гарантирует высокую значимость работы.
Сложность вакансии
Оценка ИИРабота требует глубоких знаний в области LLM, RAG и мультиагентных систем, а также владения современным стеком (LangChain, vLLM, Vector DB). Высокая сложность обучена масштабом задач и необходимостью быстрой разработки (от идеи до продакшна менее 3 месяцев).
Анализ зарплаты
Оценка ИИСбер обычно предлагает зарплаты на уровне или чуть выше рыночных для Senior NLP ролей, дополняя их расширенным соцпакетом и годовыми бонусами. Указанный стек технологий соответствует высокооплачиваемым позициям в РФ.
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 практического опыта работы с инструментами оркестрации LLM, упомянутыми в вакансии.
В каких случаях вы бы предпочли использовать LangGraph вместо стандартного LangChain для создания мультиагентных систем?
Вакансия предполагает работу с миллионами документов.
Как вы будете оптимизировать RAG-систему при работе с огромными массивами данных для минимизации галлюцинаций и ускорения поиска?
Упоминается использование PEFT и LoRA.
Расскажите о вашем опыте дообучения LLM: какие параметры LoRA (rank, alpha) вы выбирали и как это влияло на качество модели?
Стек включает FastAPI и asyncio.
Как обеспечить высокую пропускную способность (throughput) при деплое LLM-сервисов с использованием vLLM и FastAPI?
Работа с векторными БД (Qdrant, Weaviate).
