Описание вакансии
Задачи:
- Проектирование API с использованием FastAPI (или Flask), REST, валидация, обработка ошибок, идемпотентность.
- Работа с Git, code review, CI/CD (GitHub Actions/GitLab CI), Docker.
- Работа с базами данных PostgreSQL (уверенный SQL), Redis; понимание индексов и транзакций.
- Работа с очередями/брокерами Kafka или RabbitMQ.
- Написание документации и поддержка кода в продакшене (логи, метрики, алерты).
- Практическая работа с LLM в продакшене: 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.
- Прикладной уровень ML: scikit-learn, PyTorch (или TensorFlow): 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.
- 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.
Требования:
- Python 5+ лет, продвинутый уровень: ООП, типизация (mypy/pydantic), асинхронность (asyncio), pytest, профилирование.
- Опыт проектирования API: FastAPI (или Flask), REST, валидация, обработка ошибок, идемпотентность.
- Опыт работы с Git, code review, CI/CD (GitHub Actions/GitLab CI), Docker.
- Знание Kubernetes будет плюсом.
- Опыт работы с PostgreSQL (уверенный SQL), Redis; понимание индексов и транзакций.
- Практический опыт с очередями/брокерами Kafka или RabbitMQ.
- Опыт написания документации и поддержки кода в продакшене (логи, метрики, алерты).
- Практика работы с LLM в продакшене: RAG end-to-end, чанкинг, эмбеддинги, векторные БД (Qdrant/Milvus/pgvector/FAISS), гибридный поиск (BM25 + вектор), реранкеры.
- Навыки промпт-инжиниринга и управления контекстом: шаблоны, few-shot, structured output (JSON Schema/Pydantic), анти-галлюцинационные меры.
- Опыт с Tool calling / function calling, агентными паттернами (ReAct, router/supervisor), LangChain/LangGraph или аналогами.
- Опыт fine-tuning LLM: LoRA/QLoRA, instruction tuning, подготовка датасетов; опыт с HF Transformers.
- Навыки оценки качества LLM: offline/online-метрики, human-eval, A/B тестирование, LLM-as-judge, регрессионные бенчмарки.
- Понимание стоимости и latency LLM: кэширование, батчинг, выбор модели, токен-бюджет.
- Прикладной уровень ML: scikit-learn, PyTorch (или TensorFlow): обучение, валидация, кросс-валидация, метрики (precision/recall/F1, ROC-AUC).
- Базовые знания NLP: токенизация, эмбеддинги, классификация, NER; HF Transformers.
- Понимание переобучения, дисбаланса классов, утечек данных, калибровки вероятностей.
- Опыт работы с MLflow (или аналогом): трекинг экспериментов, версионирование моделей.
- Базовые навыки деплоя моделей: инференс-сервис, батч/онлайн, мониторинг дрейфа.
- Опыт самостоятельных архитектурных решений и ведения задач end-to-end.
- Навыки оценки сложности, декомпозиции, code review, менторства джунов/мидлов.
- Опыт работы с продуктом/бизнесом: перевод требований в технические решения, измеримый эффект.
Условия:
- Удалённая работа.
- Фулл тайм занятость.
Будет плюсом:
- Kubernetes, Helm, GPU-инференс (vLLM/TGI), Triton.
- Векторные БД в продакшене (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 документации, коммуникация).
Этапы отбора:
- При первичном отклике необходимо указать: ID вакансии / ФИО / локация / возраст / занятость (работаете/нет) / формат работы (удаленка, гибрид, офис) / стек / опыт / резюме / сверка с требованиями.
- При повторном отклике: ID вакансии + сверка.
Отклик — через форму: https://forms.gle/qxF3H1eiV4E4T7p19
Контакты работодателя доступны по кнопке «Откликнуться» после входа.