- Страна
- Россия
- Зарплата
- от 1 200 ₽
Системный аналитик Middle+ / Senior (SA3)
Оценка ИИИнтересный проект с передовым стеком (AI/LLM) и высокой ставкой, однако краткосрочность (2 месяца) и высокая интенсивность могут подойти не всем. Вакансия идеальна для тех, кто хочет быстро прокачать портфолио в сфере ИИ.
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 экспертного владения классическим системным анализом в сочетании с современными ИИ-технологиями (LLM, векторные БД, RAG). Короткий срок проекта (2 месяца) требует мгновенного погружения и высокой стрессоустойчивости.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИСтавка 1200 руб./час с НДС при полной загрузке (около 160 часов в месяц) составляет примерно 192 000 руб. Это соответствует рыночному уровню для Middle+ аналитиков, но может быть ниже ожиданий для Senior-специалистов с глубокой экспертизой в AI на краткосрочных контрактах.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Системный аналитик Middle+ / Senior (SA3)
Ставка: 1200, с НДС
Локация: РФ
Длительность проекта: 2 мес.
Описание проекта
Требуется системный аналитик уровня Middle+ / Senior (SA3) для участия в проектах заказной разработки и пресейлах, включая направление искусственного интеллекта.
Полный цикл аналитических работ: от сбора и формализации требований до функционального тестирования, приёмки и демонстрации решений заказчику.
Ключевое условие: ежедневное использование LLM-ассистентов (YandexGPT, GigaChat и аналогов) для решения рабочих задач.
Обязательные требования
- Анализ и проектирование
- Моделирование бизнес-процессов: BPMN 2.0.
- Проектирование систем: UML (диаграммы классов, последовательностей, активности), Use Case.
- Сбор требований: User Story, Use Case, техники интервьюирования.
- Проектирование баз данных: ER-модели, нормализация, понимание транзакционности.
- Прототипирование интерфейсов: Figma (базовая работа с макетами), Miro (схемы, майндмэпы).
- Работа с данными и API
- Уверенное владение SQL (PostgreSQL, MySQL): сложные JOIN, оконные функции, CTE, оптимизация запросов.
- Работа с форматами данных: JSON, XML, YAML.
- Интеграции: REST API, SOAP.
- Понимание принципов работы брокеров сообщений на уровне producer/consumer.
- OpenAPI (Swagger): чтение спецификаций, внесение изменений.
- Инструменты и процессы
- Jira: создание и декомпозиция задач, ведение спринтов.
- Confluence: оформление ТЗ, архитектурных решений, ведение базы знаний.
- Методологии разработки: Agile (Scrum, Kanban), понимание Waterfall.
- Git: ветвление, merge/pull requests в GitLab или GitHub.
- Postman: коллекции, переменные, скрипты для тестирования API.
- Искусственный интеллект и векторные данные
- Ежедневное применение LLM-ассистентов (YandexGPT, GigaChat и аналоги).
- Использование ИИ для написания SQL-запросов, генерации и рефакторинга кода.
- Применение LLM для подготовки документации, анализа требований, проектирования API и моделей данных.
- Понимание принципов работы векторных баз данных.
- Опыт работы с Qdrant, pgvector или аналогами: хранение эмбеддингов, базовый векторный поиск.
- Личностные качества
- Проактивность и самостоятельное доведение задач до результата.
- Умение принимать решения при неполных вводных.
- Способность быстро погружаться в новую предметную область.
- Стрессоустойчивость при сжатых сроках и параллельной загрузке.
Дополнительные требования (будет плюсом)
- Разработка ИИ-решений
- LangChain, LangGraph: построение цепочек (chains), агентов и RAG-пайплайнов.
- Понимание протоколов MCP (Model Context Protocol) и A2A (Agent-to-Agent).
- Обработка неструктурированных данных
- Интеграция SpeechKit, Whisper или аналогов для распознавания речи.
- Работа с Tesseract, Yandex Vision или аналогами для OCR и извлечения данных из документов.
- Инфраструктура и архитектура
- Архитектурное моделирование: C4 Model.
- Docker, Kubernetes: понимание YAML-конфигураций, Helm.
- Yandex Cloud, AWS: S3/Object Storage, Managed Databases, IAM.
- RabbitMQ, Kafka: настройка, топики, партиции, гарантии доставки.
- Разработка и хранение данных
- Python для написания ETL/ELT-скриптов, работы с Pandas и автоматизации.
- Опыт построения DWH.
- Моделирование данных: Data Vault, Star Schema, Snowflake Schema.
- Работа с BI-инструментами.
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- BPMN 2.0
- UML
- SQL
- PostgreSQL
- MySQL
- REST API
- SOAP
- JSON
- XML
- YAML
- OpenAPI
- Swagger
- Jira
- Confluence
- Agile
- Git
- Postman
- LLM
- YandexGPT
- GigaChat
- Qdrant
- pgvector
- LangChain
- Python
- Docker
- Kubernetes
- Kafka
- RabbitMQ
Возможные вопросы на собеседовании
Проверка практического опыта использования ИИ в работе аналитика.
Расскажите о вашем опыте использования LLM-ассистентов для проектирования API или написания SQL-запросов: с какими ограничениями вы сталкивались и как проверяли результат?
Оценка навыков работы с векторными данными, указанными в требованиях.
В чем принципиальное отличие векторного поиска в Qdrant или pgvector от классического полнотекстового поиска в реляционных БД?
Проверка владения нотациями моделирования.
Опишите кейс, когда для описания логики системы вы выбрали UML Sequence Diagram вместо BPMN. Почему это было эффективнее?
Оценка понимания интеграционных паттернов.
Как бы вы спроектировали взаимодействие систем через брокер сообщений, если требуется гарантированная доставка и соблюдение порядка сообщений?
Проверка навыков работы с современными ИИ-фреймворками.
Что такое RAG-пайплайн и какую роль в нем играет системный аналитик при сборе требований к качеству ответов модели?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
