- Страна
- Россия
Старший AI/ML-инженер в Центр экспертизы enterprise-продаж
Оценка ИИПрестижная компания, работа с передовыми технологиями (LLM, мультиагентные системы) и прямой масштабный бизнес-эффект. Отличный соцпакет и возможности для профессионального роста.
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 необходимостью совмещать глубокую экспертизу в классическом ML с передовыми навыками разработки мультиагентных LLM-систем, а также ответственностью за архитектурные решения в масштабах Enterprise.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, но для позиции Senior AI/ML Engineer в Яндексе рыночные ожидания составляют от 400 000 до 600 000 рублей в месяц плюс значительные бонусы и опционы.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*🌐 Старший AI/ML-инженер в Центр экспертизы enterprise-продаж*
Привет! Я Дилшод Мурадов, руковожу Центром экспертизы Enterprise. Мы ищем сильного AI/ML-инженера, который станет техническим лидером направления искусственного интеллекта в нашей команде.
Дилшод Мурадов
Руководитель отдела
Наша команда строит процессы и инфраструктуру, которые напрямую влияют на портфель enterprise-рекламодателей объёмом около 50 млрд рублей в квартал. Вам предстоит вести R&D-разработку и быть основным AI/ML-инженером в нашей команде.
Какие задачи вас ждут:
• Разработка и внедрение AI-агентовВам предстоит вести полный цикл создания мультиагентных систем: проектировать логику работы, выбирать оптимальные LLM, создавать кастомные навыки и настраивать интеграции с внутренними сервисами Яндекса и внешними API.
• Развитие ML-модели потенциала клиентовУ нас уже работает ML-модель, которая оценивает денежный потенциал клиента по 400+ параметрам. Вы будете дорабатывать её фичи, тестировать новые гипотезы и проводить эксперименты по улучшению точности алгоритма.
• Проектирование архитектуры и MLOps-процессовВам предстоит создавать надёжный фундамент для работы моделей, выстраивать пайплайны данных, упаковывать свои решения в сервисы и обеспечивать их стабильную работу в продакшне.
Мы ждём, что вы:• Занимались коммерческой разработкой на Python от трёх лет
• Работали с LLM API
• Глубоко понимаете принципы работы классического ML
• Уверенно работаете с данными, используете SQL, pandas, инструменты визуализации
• Обладаете высокой самостоятельностью и готовы брать на себя ответственность за архитектурные решения
Будет плюсом, если вы:• Строили мультиагентные системы
• Внедряли LLM-as-a-judge или RAGAS для автоматической оценки качества
• Понимаете специфику AdTech или перформанс-маркетинга
• Владеете базовыми навыками DevOps
Почему у нас хорошо:Мы предоставляем полный набор, который поможет уберечься от тревожности и выгорания: ежегодные медицинские чекапы, йога и психотерапия. Это не все бонусы — полный список тут.
*📩* Откликнуться на нашем сайте
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- LLM
- Machine Learning
- SQL
- Pandas
- MLOps
- Ragas
- DevOps
- AdTech
Возможные вопросы на собеседовании
Проверка практического опыта работы с LLM и понимания их ограничений.
Расскажите о вашем опыте проектирования мультиагентных систем: какие фреймворки использовали и как решали проблему зацикливания или галлюцинаций агентов?
Оценка навыков работы с данными и понимания бизнес-метрик.
Как бы вы подошли к улучшению точности модели оценки потенциала клиента, имея более 400 признаков? Как бороться с переобучением в такой задаче?
Проверка знаний в области оценки качества генеративных моделей.
Использовали ли вы подходы LLM-as-a-judge или RAGAS? В чем их преимущества и основные недостатки при автоматизации оценки качества?
Оценка инженерной зрелости и навыков MLOps.
Опишите ваш идеальный пайплайн вывода ML-модели в продакшн: от экспериментов в Jupyter до мониторинга работы сервиса.
Проверка способности работать в R&D-режиме.
Приведите пример сложной архитектурной задачи, которую вы решили самостоятельно. С какими компромиссами пришлось столкнуться?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
