- Страна
- Россия
- Зарплата
- от 400 000 ₽
Откликайтесь
на вакансии с ИИ

Team Lead / AI-инженер (LLM+RAG)
Высокая заработная плата, актуальный стек технологий (LLM+RAG) и социально значимая предметная область делают вакансию очень привлекательной для опытных специалистов. Гибкий формат работы (удаленка или офис) добавляет баллов.
Сложность вакансии
Роль требует сочетания глубоких технических знаний в области LLM/RAG и управленческих навыков Team Lead. Сложность обучена спецификой домена (недропользование) и необходимостью обеспечения высокой точности ссылок на нормативные акты.
Анализ зарплаты
Предложенная зарплата от 400 000 ₽ соответствует верхнему сегменту рынка для позиций Team Lead в области AI/ML в России. Это конкурентное предложение, учитывающее высокую ответственность и сложность задач.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь уже сейчас
Откликнитесь сейчас, чтобы возглавить разработку инновационного ИИ-ассистента для экспертов в недропользовании!
Описание вакансии
от 400 000 ₽/месяц
Удаленка или офис
Мы создаём интеллектуальную платформу — ИИ-ассистент для специалистов в сфере недропользования, который генерирует юридически корректные ответы на вопросы со ссылками на нормативно-правовые акты. Ищем Team Lead / AI-инженера, который будет писать код, проектировать архитектуру RAG-пайплайнов...(Откликнуться)
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- Python
- LLM
- RAG
- NLP
- Vector Databases
Возможные вопросы на собеседовании
Проверка практического опыта оптимизации RAG для работы со сложными документами.
Какие методы вы используете для улучшения качества поиска (retrieval) в RAG-системах при работе с юридическими текстами?
Оценка навыков проектирования масштабируемых систем.
Как бы вы спроектировали архитектуру системы, которая должна обрабатывать тысячи нормативно-правовых актов с сохранением контекста?
Проверка лидерских качеств и умения выстраивать процессы.
Как вы распределяете задачи между написанием кода и управлением командой в условиях сжатых сроков?
Оценка понимания специфики LLM.
Как вы боретесь с галлюцинациями LLM в задачах, где критически важна фактическая точность и ссылки на источники?
Проверка навыков оценки качества.