Откликайтесь
на вакансии с ИИ
Senior+ Engineer (Agentic Search)
Оценка ИИЭто исключительное предложение от быстрорастущей международной компании с возможностью релокации в крупнейшие технологические хабы мира. Работа над передовыми технологиями AI-поиска с данными мирового масштаба делает эту роль одной из самых привлекательных на рынке для инженеров высокого уровня.
Сложность вакансии
Оценка ИИПозиция требует исключительного уровня технической экспертизы (Senior+) в области обработки данных петабайтного масштаба, глубокого понимания алгоритмов поиска (HNSW, BM25) и опыта работы с высоконагруженными системами. Процесс отбора в международную компанию такого уровня предполагает серьезные технические интервью.
Анализ зарплаты
Оценка ИИДля позиций уровня Senior+ в таких локациях, как Лондон, Нью-Йорк или Амстердам, рыночные зарплаты значительно выше средних. В Нью-Йорке компенсация может достигать $250k-$350k+ в год (Total Compensation), в Европе — €120k-€180k+. Данная вакансия предполагает конкурентоспособный международный уровень оплаты.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в nebius уже сейчас
Присоединяйтесь к команде Nebius и Tavily, чтобы строить будущее AI-поиска в мировом масштабе!
Описание вакансии
**TL;DR: ищем инженеров уровня Senior+ в agentic search.
Релокация в Амстердам, Лондон, Нью-Йорк или Тель-Авив; для сильных кандидатов из Европы и США возможна удалённая работа. Контакт:** Откликнуться
Nebius — стремительно растущая международная технологическая компания, которая строит одну из ведущих в мире облачных платформ для искусственного интеллекта и уже сотрудничает с крупнейшими игроками глобального AI-рынка.
Tavily — поисковый сервис для AI-агентов, которым пользуются миллионы пользователей.
Nebius приобрёл Tavily, и теперь мы вместе развиваем agentic search. Для этого направления открываем найм по следующим направлениям:
*🕷 Crawler*
Нужно обойти и скачать весь интернет.
Задачи:
— парсинг сайтов
— качать PiB+ данных со всего мира
— определение спама и некачественного контента
*🗂 Index*
На основе PiB+ данных нужно рассчитывать фичи и метрики, а затем строить поисковый индекс.
Задачи:
— разработка data pipelines
— обработка данных объёмом в сотни TiB и PiB+
— построение масштабируемой индексной инфраструктуры
*⚡️ Runtime*
Построенный PiB+ индекс нужно доставлять в production, а затем искать и ранжировать по нему под нагрузкой в десятки тысяч RPS.
Задачи:
— разрабатывать лексический, векторный и гибридный поиски
— оптимизация потребления CPU и RAM
— оптимизация GPU inference
— ускорение всего пути пользовательского запроса
— работа с огромным флотом серверов
Вы нам особенно интересны, если вы:
— разрабатывали ScaNN, HNSW или иные реализациии векторного поиска
— разбираетесь в Information Retrieval
— оптимизировали inverted index, BM25 или SPLADE
— занимались ranking retrieval
— умеете строить high-load / low-latency системы
— строили рекомендательные системы
— писали краулеры
— строили data pipelines на больших объёмах данных
Мы рассматриваем ребят на позицию Senior и выше.
Релокация в:
*🇳🇱* Амстердам
*🇬🇧* Лондон
*🇺🇸* Нью-Йорк
*🇮🇱* Тель-Авив
Для очень сильных кандидатов, находящихся в других частях Европы или США, возможна удалённая работа.
За подробностями — Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Information Retrieval
- HNSW
- ScaNN
- BM25
- SPLADE
- Data Pipelines
- High Load
- Low Latency
- Vector Search
- Ranking Retrieval
- Crawler
- GPU Inference
Возможные вопросы на собеседовании
Проверка опыта работы с огромными объемами данных, заявленными в вакансии.
Расскажите о самом сложном data pipeline, который вы проектировали для обработки данных объемом более 100 ТБ. С какими узкими местами вы столкнулись?
Вакансия предполагает работу над Crawler и Runtime. Важно понимать навыки оптимизации.
Как бы вы оптимизировали процесс обхода сайтов (crawling), чтобы минимизировать задержки и при этом эффективно определять спам-контент на лету?
Для направления Runtime критически важен опыт в векторном поиске.
В чем заключаются основные различия и компромиссы между использованием HNSW и ScaNN при реализации векторного поиска под нагрузкой в десятки тысяч RPS?
Работа с огромным флотом серверов требует навыков оптимизации ресурсов.
Какие стратегии оптимизации GPU inference вы применяли для сокращения задержек (latency) в системах ранжирования в реальном времени?
Проверка фундаментальных знаний в области Information Retrieval.
Как вы подходите к реализации гибридного поиска (лексический + векторный)? Как эффективно объединять результаты этих двух подходов?
Похожие вакансии
ML разработчик ( Senior )
Senior/Lead AI Engineer
Senior ML разработчик
Senior NLP Engineer
Senior Computer Vision Engineer
Senior C++ Developer (Algorithms & Math)
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!