AI/ML Engineer

Ориентир по рынку≈ 375 000 – 475 000 ₽наша приблизительная оценка по 18 вакансиям этой роли и грейда, у работодателя вилка не указана

🏢 ОфисSeniorПолная занятость

≈ 375 000 – 475 000 ₽наша приблизительная оценка

Стоит ли откликаться

Стоит откликнуться, но спросите про деньги

Сумму в объявлении не указали. Сколько платят за похожую работу, видно в разборе. Вакансия свежая: первые отклики читают внимательнее.

3 из 4 в норме

Зарплата не указана: ваша цель, нижняя граница и фраза для первого созвона

Наша компания

Привет! 👋 Мы — команда, которая разрабатывает корпоративных AI-агентов и RAG-системы для умного поиска по внутренней документации. Часть наших решений уже в эксплуатации, часть — в активной разработке.

О роли

Сейчас мы ищем специалиста, который займётся качественной составляющей наших систем. Твоя задача — повышать качество RAG, выстраивать методологию оценки, тестирования, защиты, а также заниматься промпт-инжинирингом.

Чем предстоит заниматься

Повышение качества RAG-агентов на трёх направлениях: поиск по

Технической документации, по нормативной базе, по бухгалтерской

Документации

Промпт-инжиниринг и контекст-инжиниринг для всех агентов команды

Подготовка эталонных наборов оценки качества

Реализация LLM-as-a-judge как методологии автоматических

Наши требования

Это прикладная позиция — мы не обучаем модели, а используем готовые через корпоративный шлюз. Так что весь фокус на инжиниринг, оценку и тонкую настройку поведения агентов

Если тебя драйвит делать AI-решения надёжными, измеримыми и полезными — добро пожаловать в команду!

Python от 2 лет коммерческой разработки

Практический опыт RAG-систем в продакшене: эмбеддинги, векторные

Базы (Qdrant, FAISS или pgvector), переранжирование, чанкинг

Опыт построения и поддержки как минимум одного RAG-решения от

Начала до конца, не прототип

Практический опыт оценки качества LLM-систем: подготовка эталонных

Наборов, offline-метрики, LLM-as-judge, регрессионные проверки

Опыт работы с фреймворками оценки (Ragas, DeepEval или аналоги)

Практический опыт настройки защит для LLM-приложений: защита от

Инъекций в промпт, валидация структуры и контента выходов

Защита от утечек персональных данных