Вакансия из Telegram канала - Название доступно после авторизации
Пожаловаться
Зарплата и рынок
развернуть
250к-300к ₽/мес
260к ₽310к ₽медиана360к ₽
По похожим ролям (46) ~ 310к ₽/мес
На международном рынке: $170к/год ($90к - $214к)
62
Средняя вакансия
развернуть
Вакансия обещает практическую работу с LLM и ML в проде, но требует широкий набор разных компетенций и почти ничего не говорит о проекте заказчика и команде.
Слишком широкий профиль
?Работа на проекте клиента
Актуальные AI-технологии
Мэтч & Сопровод
Покажет вашу совместимость и напишет письмо
Создать профиль и узнать мэтч
Описание вакансии
TL;DR
Опытный Python-разработчик (AI) (Python/FastAPI/LLM/ML): Проектирование API и production-систем с LLM и ML с акцентом на RAG, векторный поиск, оценку качества моделей и масштабируемую backend-архитектуру. Focus on принятие архитектурных решений, построение end-to-end решений, оптимизацию стоимости и latency LLM и сопровождение моделей в проде.
#вакансия #python #backend #LLM #ML #AI #RAG #FastAPI #DataScience #machinelearning #удаленка #РФ #вакансии #itвакансии
Название компании: RA BGStaff Формат работы: Удалёнка (локация только РФ), в аутстафф проект Занятость: Полная Зарплатная вилка: от 250 000 до 300 000 ₽ на руки
Описание вакансии:
Ищем опытного Python-разработчика (5+ лет) с продвинутым уровнем для работы на проекте нашего заказчика.
Вам предстоит проектировать API, работать с LLM и ML в проде, принимать архитектурные решения и вести задачи end-to-end.
Ключевые требования: Python: ООП, типизация (mypy/pydantic), asyncio, pytest, профилирование. API: FastAPI (или Flask), REST, валидация, обработка ошибок, идемпотентность. Инфраструктура: Git, code review, CI/CD (GitHub Actions/GitLab CI), Docker; Kubernetes — плюс. Базы данных: PostgreSQL (уверенный SQL), Redis; понимание индексов и транзакций. Очереди: Kafka или RabbitMQ (практический опыт). Документация и поддержка: написание документации, работа с логами, метриками, алертами. LLM — практика в проде:
RAG end-to-end: чанкинг, эмбеддинги, векторные БД (Qdrant/Milvus/pgvector/FAISS), гибридный поиск (BM25 + вектор), реранкеры.
Промпт-инжиниринг и управление контекстом: шаблоны, few-shot, structured output (JSON Schema/Pydantic), анти-галлюцинационные меры.
Tool calling / function calling, агентные паттерны (ReAct, router/supervisor), LangChain/LangGraph или аналоги.
Fine-tuning LLM: LoRA/QLoRA, instruction tuning, подготовка датасетов; опыт с HF Transformers.
Оценка качества LLM: offline/online-метрики, human-eval, A/B, LLM-as-judge, регрессионные бенчмарки.
Понимание стоимости и latency LLM: кэширование, батчинг, выбор модели, токен-бюджет.
ML — прикладной уровень:
scikit-learn, PyTorch (или TF): обучение, валидация, кросс-валидация, метрики (precision/recall/F1, ROC-AUC).
NLP-база: токенизация, эмбеддинги, классификация, NER; HF Transformers.
Понимание переобучения, дисбаланса классов, утечек данных, калибровки вероятностей.
MLflow (или аналог): трекинг экспериментов, версионирование моделей.
Деплой моделей: инференс-сервис, батч/онлайн, мониторинг дрейфа — базово. Архитектура и процесс:
Опыт самостоятельных архитектурных решений и ведения задач end-to-end (постановка → прод).
Оценка сложности, декомпозиция, code review, менторство джунов/мидлов.
Работа с продуктом/бизнесом: перевод требований в технические решения, измеримый эффект.
Будет плюсом:
Kubernetes, Helm, GPU-инференс (vLLM/TGI), Triton.
Векторные БД в проде (Milvus/Qdrant/Weaviate), OpenSearch/Elastic.
Мультиагентные системы, LangGraph, AutoGen.
Guardrails, PII-маскирование, безопасность LLM (prompt injection).
Опыт с open-source LLM (Qwen/LLaMA/Mistral) и квантизацией.
Airflow/Spark, дата-пайплайны.
Английский B2+ (чтение доков, коммуникация).
Жду твое резюме 🙋🏼♀️Показать контакты
Будьте осторожны
Если работодатель просит войти в их систему, используя iCloud/Google, прислать код/пароль, запустить код/ПО, не делайте этого. Это мошенники. Обязательно жмите «Пожаловаться» или пишите в поддержку. Подробнее в гайде →
Пожаловаться
Текст вакансии взят без изменений
Источник - Telegram канал. Название доступно после авторизации