Инженер данных для LLM-систем

Мы запустили новый продукт - LLM-платформу для наших клиентов из госсектора и enterprise-сегмента и развиваем его. Сейчас мы усиливаем усиливаем продуктовую команду и ищем Ведущего инженера данных, который будет отвечать за организацию и подготовку данных для AI-решений (от подключения внешних источников и проектирования модели данных до подготовки данных для поиска и RAG).

• Определять источники данных для AI-решений: базы данных, документы, API, файловые хранилища, внешние системы и потоки обновлений
• Проектировать модели данных: сущности и связи, версии, метаданные, lineage, права доступа и правила актуализации
• Организовывать сбор и обработку данных из внешних источников: очистку, нормализацию, дедупликацию, классификацию и разметку
• Формировать единое эталонное представление объекта (golden record) при объединении данных из нескольких источников
• Подготавливать данные для поиска и RAG: chunking, embeddings, индексация, векторный и гибридный поиск
• Настраивать retrieval и reranking, обеспечивать обновление индексов при изменении исходных данных
• При необходимости готовить датасеты для обучения или дообучения моделей, если задача не решается с помощью RAG
• Определять показатели качества данных и retrieval, организовывать их мониторинг: полнота, актуальность, precision/recall, latency и другие показатели
• Взаимодействовать с LLM-инженерами, аналитиками и разработчиками при проектировании AI-решений

• От 4 лет опыта в Data Engineering, Data Platform, Data Architecture или смежной области
• Уверенное знание SQL и реляционных баз данных
• Опыт построения ETL/ELT-процессов и data pipelines
• Опыт интеграции данных из различных источников: БД, API, файлов и внешних систем
• Практический опыт проектирования моделей данных и работы с качеством данных, метаданными и версиями
• Опыт работы с большими объёмами данных
• Практический опыт подготовки данных для поиска, ML или LLM/RAG-систем
• Понимание принципов chunking, embeddings, vector search и hybrid search
• Опыт работы с векторными хранилищами или поисковыми системами
• Умение самостоятельно разбираться в структуре и качестве новых источников данных
• Будет плюсом: Опыт разработки и эксплуатации RAG-систем в production; Опыт оптимизации retrieval и reranking; Python для обработки данных и разработки data pipelines; Kafka или другие системы потоковой обработки данных; Airflow или аналогичные инструменты оркестрации; PostgreSQL, ClickHouse, Elasticsearch/OpenSearch, векторные хранилища и аналогичные технологии; Опыт подготовки датасетов для supervised learning / fine-tuning; Понимание метрик оценки RAG: retrieval quality, groundedness, faithfulness, coverage

• Условий в вакансии нет