Data Science (LLM/NLP)

Навыки

• API (интеграции)
• Проектирование архитектуры
• CUDA / ONNX / TensorRT
• Docker
• Дообучение моделей
• Kubernetes
• LLM

Задачи

• Интеграция LLM в продукты и сервисы (API, backend, пайплайны обработки данных)
• Оценка качества ответов моделей (автоматические метрики, human eval)
• Обеспечение безопасности, фильтрации и соответствия этическим требованиям (guardrails)
• Построение RAG-систем: индексация данных, работа с векторными БД, оптимизация качества поиска и генерации
• Взаимодействие с продуктовой и ML-командой, участие в архитектурных решениях
• Оптимизация производительности и стоимости инференса (квантизация, batching, caching)
• Работа с мультимодальными моделями (текст, изображения, документы — при необходимости)
• Проектирование, обучение и дообучение LLM (fine-tuning, instruction tuning)
• Здорово, если у тебя есть
• Высшее образование (IT, техническое, математическое)
• Уверенное владение Python, SQL
• Хорошие знания в области теории вероятностей, математической статистики, алгоритмов машинного обучения ML
• Знания в области NLP алгоритмов
• Понимание деталей работы LLM и того, как происходит их дообучение и инференс
• Опыт деплоя ML/LLM решений (Docker, Kubernetes, cloud)
• Опыт работы с prompt engineering, fine-tuning / PEFT (LoRA, adapters), RAG-подходами
• Опыт реализации агентских сценариев
• Опыт работы с векторными базами данных: оптимизация индексов, запросов
• Опыт с фреймворками: LangChain, LlamaIndex, Hugging Face
• Знание методов оценки LLM (BLEU, ROUGE, MMLU, custom evals)
• Опыт оптимизации инференса (vLLM, TensorRT, ONNX)
• Опыт работы с мультимодальными моделями
• Уверенное владение Python

Паспорт вакансии

История публикации

Откуда что взялось

Отмечено то, что вывели мы. Без пометки — значение назвал работодатель.

Почему на этом месте в выдаче

Порядок выдачи объявлен контрактом: свежесть решает между днями, полнота и зарплата — внутри дня.