Загрузи резюме, чтобы видеть мэтчи с вакансиейЗагрузи резюме, чтобы видеть мэтч с вакой
подготовься к отклику
ai-инструменты
Чтобы адаптировать резюме под вакансию или составить сопроводительное письмо, загрузи резюме
описание
Описания нет
задачи
Разрабатывать backend-часть AI-решений: сервисы вокруг ML/LLM-моделей, API, бизнес-логику, работу с данными.
Совместно с ML-инженером проектировать архитектуру AI-приложений и переводить ML-прототипы в промышленные сервисы.
Реализовывать сценарии работы с LLM: вызовы моделей и агентов, конвейеры RAG, приведение ответов модели к структурированному виду.
Обеспечивать надёжность AI-сервисов: обработку ошибок и превышений времени ожидания, повторные попытки выполнения, асинхронную обработку документов и длительных задач через очереди сообщений.
Контролировать качество и стоимость эксплуатации моделей: версионирование моделей и промптов, оценку качества (eval), учёт расхода токенов, оптимизацию времени ответа.
Выполнять контейнеризацию и развёртывание сервисов (Docker, Kubernetes), настраивать CI/CD, мониторинг и информационную безопасность.
Разрабатывать демонстрационные интерфейсы, участвовать в согласовании требований с заказчиком, оценке трудозатрат и подготовке технической документации.
требования
Высшее профессиональное образование
Опыт работы более 3 лет коммерческой разработки на Python, из них не менее 1 года в проектах с ML/LLM
Опыт разработки и вывода в промышленную эксплуатацию решений на основе ML/LLM: работа с API моделей (OpenAI-совместимые, YandexGPT, GigaChat или аналоги), потоковая передача ответов, получение ответов в структурированном виде, понимание ограничений моделей.
Понимание устройства AI-решений: RAG (эмбеддинги, векторный поиск, ранжирование), агентные сценарии, методы оценки качества ответов (eval), инженерия промптов.
Python — продвинутый уровень: асинхронное программирование (asyncio), фреймворки (FastAPI или аналоги), проектирование REST API.
PostgreSQL, Redis, векторные базы данных (pgvector, Qdrant, OpenSearch).
Брокеры сообщений (RabbitMQ и/или Kafka) и системы фоновых задач (Celery, Taskiq, arq или аналоги).
Docker и Kubernetes на уровне самостоятельного развёртывания и отладки собственных сервисов, настройка CI/CD, логирование и мониторинг, включая мониторинг вызовов моделей.
Опыт реализации проектов в банковской сфере или финтехе.