- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Product Owner
Оценка ИИИнтересная роль в крупной компании Aston с фокусом на передовые технологии (AI/NLP). Четкие требования и актуальный стек делают вакансию привлекательной для опытных специалистов, однако отсутствие указанной вилки зарплаты снижает прозрачность.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена необходимостью глубоких технических знаний в области NLP и Machine Learning (RAG, эмбеддинги, метрики моделей) в сочетании с продуктовыми компетенциями. Требуется опыт работы именно с ИИ-решениями в клиентском сервисе от 3 лет.
Анализ зарплаты
Оценка ИИЗарплата для Product Owner уровня Senior в российском финтехе с глубокой экспертизой в AI обычно находится в диапазоне 300 000 – 450 000 рублей. Данная вакансия требует специфических знаний NLP, что может поднять планку выше среднего по рынку.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Aston уже сейчас
Если вы готовы развивать инновационные ИИ-решения в финтехе, откликайтесь на вакансию через LinkedIn прямо сейчас!
Описание вакансии
*👨💻* Product Owner Aston
*▪️*Компания Aston
*▪️*Домен #FinTech
*▪️*Формат #УдаленкаРФ
В поисках Product Owner.
Чего мы ждем от специалиста?
- опыт работы Product Owner, управление проектами в IT от 3-х лет;
- наличие законченного высшего образования;
- опыт развития ИИ-решений в клиентской поддержке: контактный центр, чат-боты, интенты, RAG-поиск по базе знаний, аналитические ИИ-решения по обращениям пользователей;
- опыт работы с NLP: интенты, классификация текста, эмбеддинги, векторные базы, RAG, когда LLM vs классификатор;
- знания и умение применять ключевые метрики оценки качества моделей машинного обучения: Precision/Recall/F1/MAE/Gini, false positive/negative и цена ошибки, критерии вывода модели в прод.
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Data Analysis
- Project Management
- Product Management
- Python
- Machine Learning
- LLM
- RAG
- NLP
- Fintech
Возможные вопросы на собеседовании
Проверка понимания технической составляющей RAG-систем, указанных в требованиях.
Расскажите о вашем опыте внедрения RAG-поиска: с какими основными проблемами качества ответов вы сталкивались и как их решали?
Важно понять, как кандидат соотносит точность модели с бизнес-результатами.
Как вы определяете 'цену ошибки' при выводе NLP-модели в продакшн и какие значения Precision/Recall были для вас критическими в прошлых проектах?
Оценка навыков приоритизации в специфическом домене ИИ.
Как вы приоритизируете задачи в бэклоге, когда стоит выбор между улучшением точности существующей модели и внедрением новой фичи для пользователей?
Проверка опыта работы с классификацией текстов.
В каких случаях вы бы предпочли использовать классический классификатор текста вместо LLM, и наоборот?
Оценка продуктового мышления в контексте клиентской поддержки.
