- Страна
- Россия
- Зарплата
- до 305 000 ₽
Откликайтесь
на вакансии с ИИ
Senior ML разработчик
Оценка ИИИнтересная роль для Senior специалиста с фокусом на самые актуальные технологии (AI-агенты, LLMOps). Зарплата соответствует рынку для удаленного формата, однако проектная занятость (от 3 месяцев) может быть менее привлекательной, чем постоянный штат.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубокой экспертизе в LLM, агентных архитектурах (LangGraph, MCP) и опыту вывода NLP-моделей в продакшн. Также требуется готовность к участию в пресейлах и знание широкого стека MLOps/LLMOps инструментов.
Анализ зарплаты
Оценка ИИПредложенная вилка до 305 000 рублей находится на уровне медианы для Senior ML-инженеров в России, работающих удаленно, хотя для узких специалистов по LLM верхняя граница рынка может достигать 450-500 тысяч.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Откликайтесь, чтобы внедрять передовые агентные архитектуры и LLM-решения в масштабные проекты!
Описание вакансии
ID 3125
Senior
вилка до 305 к
Гражданство РФ/Дружественные страны
Формат работы Удалённо
Загрузка специалиста Full-time
Срок привлечения специалиста 3+ мес
Что предоставлять вместе с резюме
ФИО, локация, дата рождения, чек по требованиям
Основные требования
Опыт работы с LLM, prompt engineering, дообучение GPT-like моделей;
Глубокое понимание трансформерной архитектуры;
Опыт построения AI-агентов: понимание паттернов (ReAct, Plan-Execute), графовых фреймворков (LangGraph), работа с SGR-подходом, протоколами взаимодействия (MCP, A2A), учёт ограничений в оркестрации инструментов, управлении состоянием и качеством работы агента в продакшене;
Опыт классической ML разработки: Text classification, NER, QA, Sentence-transformers;
Опыт запуска NLP проектов “от разметки до прома”;
Хорошее знание алгоритмов и структур данных;
Python3, ООП, SOLID;
MLOps: Git, Docker, MLFlow/DVC/ClearML, Airflow;
LLMOps: LangChain, LanGraph, LlamaIndex, LangFuse, vLLM, опыт работы с RAG;
Базы данных: Qdrant, FAISS, OpenSearch или аналоги;
Желание изучать новые подходы, модели и технологии;
Готовность подключаться к команде на пресейлах (примерно 2 раза в неделю).
Будет плюсом:
Участие в open-source проектах с LLM и RAG;
Опыт оптимизации и ускорения моделей для прода (прунинг, квантование, дистилляция, ONNX/TensorRT);
Опыт коммерческих проектов на основе AI.
Задачи на проекте
Разработка агентных архитектур и ИИ решений на основе LLM;
Работа с внутренними и внешними стейкхолдерами по уточнению требований;
Построение систем валидации агентных и ИИ решений;
Организация и автоматизация процесса разметки;
Применение лучших практик в ведении ИИ проектов;
Разработка решений для клиентов на основе передовых исследований;
Участие в развитии процессов компании на основе ИИ.
Писать Откликнуться*⚡️**⚡️**⚡️**⚡️*
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- PyTorch
- LLM
- Transformers
- RAG
- Prompt Engineering
- NLP
- Docker
- Airflow
- MLflow
- LangChain
- FAISS
- LangGraph
- LlamaIndex
- Qdrant
Возможные вопросы на собеседовании
Проверка понимания современных подходов к созданию автономных агентов.
Расскажите о вашем опыте работы с LangGraph: какие паттерны (ReAct, Plan-Execute) вы использовали и как решали проблему зацикливания агента?
Оценка навыков оптимизации производительности в продакшене.
Какие методы оптимизации LLM (квантование, прунинг, дистилляция) вы применяли на практике и какого прироста производительности удалось достичь?
Проверка знаний в области RAG и векторного поиска.
Как вы подходите к оценке качества RAG-системы и какие стратегии индексации в Qdrant/FAISS наиболее эффективны для больших объемов текстовых данных?
Оценка опыта дообучения моделей.
Опишите процесс дообучения (fine-tuning) GPT-like модели: какие данные использовались, с какими трудностями столкнулись и как валидировали результат?
Проверка коммуникативных навыков и технической экспертизы для бизнеса.
