Senior/Lead Machine Learning Engineer
Отличная вакансия в инновационной сфере AI-процессной аналитики с возможностью удаленной работы из Европы или Канады. Четко очерченный стек технологий и амбициозные задачи по развитию LLM-инфраструктуры делают роль очень привлекательной для опытных инженеров.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Высокая сложность обусловлена требованиями к уровню Senior/Lead и узкой специализацией на LLM-evals и системах LLM-as-a-judge. Кандидат должен обладать глубоким опытом в экспериментах с промптами и оптимизации производительности моделей.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предлагаемая роль Senior/Lead уровня в Европе и Канаде обычно предполагает доход выше среднего по рынку. Для Лондона и Амстердама вилка в 90-130 тысяч евро является стандартом для опытных ML-инженеров, в то время как Lead-позиции могут достигать верхней границы и выше.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
Published time: 2026-11-14
Company name: Mimica
Title: Senior/Lead Machine Learning Engineer
Grades: senior, lead
Job description: Build and iterate on LLM evals and LLM-as-a-judge systems for Mimica's AI-powered process intelligence platform: run rigorous experiments on prompts, pipeline design and model choice, drive LLM efficiency improvements, and expand the anonymization pipeline.
Location: Europe / UK / Canada (hubs: London, Edinburgh, Dublin, Amsterdam, Cambridge, Montreal, Toronto)
Anywhere: No
Remote: Yes
Forbidden locations: Outside Europe and Canada
Tags:
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- Machine Learning
- LLM
- Prompt Engineering
- AI
- Anonymization
Возможные вопросы на собеседовании
Вакансия сфокусирована на создании систем оценки качества ответов LLM.
Как бы вы спроектировали систему 'LLM-as-a-judge' для оценки точности извлечения данных из бизнес-процессов, чтобы минимизировать предвзятость самой модели-судьи?
В описании указана задача по улучшению эффективности LLM.
Какие методы оптимизации инференса LLM (квантование, дистилляция, спекулятивное декодирование) вы бы применили в первую очередь для снижения задержек в реальном времени?
Упоминается работа над пайплайном анонимизации.
С какими основными трудностями вы сталкивались при автоматической анонимизации чувствительных данных в неструктурированных текстах с помощью LLM?
Позиция предполагает уровень Lead.
Опишите ваш подход к организации процесса экспериментов с промптами в команде: как обеспечить воспроизводимость и версионность результатов?
Работа над платформой процессной аналитики требует высокой точности.
Как вы подходите к проблеме галлюцинаций в LLM при генерации структурированных отчетов о бизнес-процессах?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

