- Страна
- Россия
Senior Data Scientist (LLM / Agents)
Оценка ИИОтличная вакансия в известном тех-хабе с фокусом на самые актуальные технологии (LLM Agents). Четко описанные задачи, современный стек и возможность удаленной работы делают это предложение крайне привлекательным для Senior-специалистов.
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 ИИВысокая сложность обусловлена требованием глубокой экспертизы именно в LLM-агентах (3 года) и общего стажа в ML от 5 лет. Кандидат должен не просто использовать модели, но и проектировать сложные архитектуры с памятью, планированием и RAG.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для позиции Senior Data Scientist с узкой специализацией в LLM в крупном российском тех-хабе рыночные ожидания начинаются от 400 000 рублей. Lamoda Tech обычно предлагает конкурентоспособные условия, соответствующие верхним границам рынка для опытных инженеров.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Lamoda Tech
Senior Data Scientist (LLM / Agents)
Опыт работы: 3–6 лет
Полная занятость
График: 5/2
Формат работы: удалённо
*☑️* Чем предстоит заниматься
-Создавать и развивать AI-ассистентов для разработки и аналитики: кодовые AI ассистенты для автоматизации разработки, помощник аналитика для ускорения экспериментов с использованием LLM
-Проектировать архитектуру агентских решений и их интеграцию с платформой: определять, что остаётся доменной логикой, а что становится переиспользуемым компонентом платформы
-Совместно с командой MLOps формировать требования к платформенным примитивам (Embedding Service, Vector Store, Retrieval/Search API) и внедрять их в пайплайны ассистентов
-Проектировать и развивать систему оценки агентов: разрабатывать метрики, строить симуляции, изолированные и верифицируемые среды оценки
-Вести полный цикл разработки: от ресёрча и MVP до поддержки и развития решения – с анализом ошибок и фидбека пользователей
-Исследовать новые подходы в разработке AI-агентов: harness-среда агента, память, компактизация контекста
*☑️* Наши пожелания к кандидатам
-Опыт промышленной ML-разработки от 5 лет, опыт с LLM от 3 лет
-Опыт разработки AI-агентов и понимание современных паттернов проектирования: память, планирование, циклы агента, tool use, structured output
-Владение Python, способность системно писать код и доводить решения до продакшена
-Ежедневное использование кодинг AI-ассистентов (Codex / Claude Code): понимание их внутреннего устройства, границ применимости, настроенный цикл разработки
-Опыт разработки RAG-систем: retrieval, чанкование, sparse / dense / hybrid поиск, reranking, agentic retrieval
-Понимание основ ML/DL и NLP: метрики качества, embeddings, устройство трансформеров, инференс LLM
-Знание алгоритмов и структур данных, опыт работы со стеком (FastAPI, Docker, Redis, Postgres, Airflow, vLLM)
Контакты: Откликнуться / Telegram Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- LLM
- RAG
- FastAPI
- Docker
- Redis
- PostgreSQL
- Airflow
- vLLM
- NLP
- Deep Learning
- Machine Learning
Возможные вопросы на собеседовании
Проверка понимания архитектуры агентских систем и способов управления контекстом.
Расскажите о вашем опыте реализации памяти в AI-агентах: какие подходы к компактизации контекста и долгосрочному хранению вы использовали?
Оценка навыков построения надежных систем поиска информации.
Как вы подходите к оценке качества RAG-системы? Какие метрики для retrieval и generation этапов вы считаете ключевыми?
Проверка практического опыта работы с современными инструментами инференса.
Был ли у вас опыт оптимизации инференса LLM с использованием vLLM или аналогичных библиотек в продакшене? С какими трудностями сталкивались?
Оценка способности проектировать масштабируемые решения.
Как бы вы спроектировали систему оценки (evaluation framework) для агента, который должен писать код и выполнять его в изолированной среде?
Проверка понимания современных паттернов взаимодействия с моделями.
В чем разница между простым ReAct-паттерном и более сложными циклами планирования в агентах? В каких случаях стоит усложнять логику?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
