Senior AI Engineer
Привлекательная позиция для Senior-специалистов в Казахстане с конкурентной зарплатой и стабильностью госсектора. Наличие премий и работа над социально значимыми проектами добавляют баллы, однако работа строго в офисе может быть минусом для некоторых кандидатов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Высокая сложность обусловлена требованиями к Senior-уровню, глубоким знаниям LLM/RAG и необходимостью работы с государственными данными в строго регулируемой сфере здравоохранения. Дополнительным фильтром является требование гражданства РК.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предложенная зарплата от 1 500 000 ₸ (около 3 100 USD) является конкурентной для рынка Казахстана, соответствуя уровню Senior ML Engineer. Рыночный диапазон для таких ролей в Астане обычно составляет 1.2–2.0 млн тенге.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
*📍* Формат/working arrangement: офис в Астане
*✔️* Должность/position: Senior AI Engineer
*🏢* Место работы/workplace: НАО «Фонд социального медицинского страхования» / Top-Human
*💸* Заработная плата/salary estimate: от 1 500 000 ₸ в месяц, до вычета налогов
*📈* Обязанности/responsibilities:
— Проектировать и внедрять решения на базе LLM и ML: RAG, AI-агенты, классификация и извлечение данных из документов.
— Выводить модели в production: deployment, monitoring, versioning, MLOps / LLMOps.
— Интегрировать AI-сервисы во внутренние системы через API.
— Оценивать качество моделей и формировать eval-наборы.
— Строить data pipelines.
— Участвовать в выборе архитектуры и наставлять коллег.
*📌* Требования/requirements:
— Только граждане Республики Казахстан.
— Высшее образование в IT, математике или смежной области.
— От 3 лет подтверждённого коммерческого опыта в ML / AI.
— Senior-level Python.
— PyTorch или Hugging Face.
— Практический опыт с LLM, prompting и RAG.
— Vector DB: pgvector, Qdrant, FAISS.
— Docker, CI/CD.
— Kubernetes или cloud infrastructure.
— SQL и работа с большими объёмами данных.
— Понимание требований к защите персональных и медицинских данных.
*🌟* Будет плюсом:
— Fine-tuning LLM.
— Open-source модели on-premise: vLLM, Ollama.
— Опыт в госсекторе, медицине или финтехе.
— Знание казахского языка.
*🛠* Технический стек:
— Python
— PyTorch
— Hugging Face
— LLM
— RAG
— pgvector
— Qdrant
— FAISS
— Docker
— Kubernetes
— CI/CD
— SQL
— PostgreSQL
— Apache Kafka
— Jupyter Notebook
*✅* Условия/working conditions:
— Полная занятость.
— Официальное оформление по ТК РК.
— График 5/2, 8 часов.
— Полный соцпакет.
— Квартальные и праздничные премии.
— После испытательного срока возможно повышение зарплаты.
— Работа над масштабными задачами в сфере здравоохранения.
*📍* Адрес: Астана, улица Достык, 13/3.
*📢**❗️**🚨* Вакансия: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- PyTorch
- LLM
- SQL
- Kubernetes
- CI/CD
- PostgreSQL
- MLOps
- RAG
- Docker
- Apache Kafka
- FAISS
- Hugging Face
- pgvector
- Jupyter Notebook
- Qdrant
Возможные вопросы на собеседовании
Проверка практического опыта работы с RAG-системами, которые указаны в стеке.
Расскажите о наиболее сложной архитектуре RAG, которую вы проектировали. Как вы решали проблему релевантности поиска и галлюцинаций модели?
Вакансия предполагает работу в госсекторе с медицинскими данными.
Какие специфические требования к безопасности и конфиденциальности данных необходимо учитывать при развертывании LLM в инфраструктуре государственного фонда?
В стеке указаны Docker, K8s и CI/CD.
Опишите ваш опыт настройки MLOps-пайплайнов. Как вы организуете мониторинг качества моделей после их деплоя в production?
Упоминается Fine-tuning и on-premise модели.
В каких случаях вы бы предпочли fine-tuning модели вместо использования RAG, и какие инструменты (например, vLLM или Ollama) лучше подходят для on-premise развертывания?
Проверка навыков работы с векторными БД.
Сравните pgvector, Qdrant и FAISS. В каких сценариях вы выберете каждое из этих решений для хранения эмбеддингов?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

