Senior AI/ML Engineer (LLM Agents & Classical ML)

Ориентир по рынку≈ 436 000 – 487 000 ₽наша приблизительная оценка по 14 вакансиям этой роли и грейда, у работодателя вилка не указана

≈ 5,3 тыс.–5,9 тыс. $

🌍 УдалённоSeniorПолная занятость

≈ 436 000 – 487 000 ₽наша приблизительная оценка

Стоит ли откликаться

Стоит откликнуться, но спросите про деньги

Вилку работодатель не назвал, но ориентир по рынку есть: он в строке «Деньги». Смущает только, что вакансия висит давно.

2 из 4 в норме

Висит давно: что спросить, чтобы не откликаться в пустоту

Деньги

Зарплату в объявлении не раскрыли. Ориентир на созвон: столько платят в 14 похожих вакансиях Data Scientist уровня Senior.

платят меньше436 000 – 487 000 ₽ у половины таких вакансийплатят больше

Вилки нет

Живость

Открыта уже 108 дней. Источник её держит, но за таким сроком часто стоит трудный найм или набор в резерв.

Висит дольше 90% вакансий того же грейда
Зарплата не указана

Открыта давно

Описание

Обязанности: 10, требования: 24. Понятно, что за работа, ещё до отклика.

Обещают: ДМС со стоматологией, наставник на старте и психологическая поддержка
Известно: в работе ИИ-инструменты для кода
Не сказано: как оформят, из каких стран можно работать и часовой пояс команды

Подробно

Что требуют

ОбязательноAIMLLLMPythonLangChainHugging FacePandasscikit-learnXGBoostPyTorch

ПлюсомNLP

Надбавка к зарплате на этом уровне: LLM +29%, Python +14%.

Ясно

Полный разбор в Pro

Это короткий разбор. В Pro полный: под эту вакансию и ваше резюме

Сколько просить

Не продешевите: сумма под ваше резюме, нижняя граница и готовые фразы для торга

Ваше резюме против требований

Пройдёт ли ваше резюме фильтр: что совпало с требованиями и что дописать до отклика

Спросить у работодателя

10 вопросов именно к этой вакансии: что спросить на первом созвоне

Когда откликаться

Стоит ли спешить: за сколько дней Название скрыто обычно закрывает вакансии

30 дней Pro: полный разбор каждой вакансииЧто ещё входит в Pro

Наша компания

Команда Collateral Machine автоматизирует оценку залогов в банке. Наш флагман — Залоговый Copilot: агентная LLM-система, которая берет на себя рутину от анализа документов до подготовки решений, постепенно выводя человека из операционной цепочки (но сохраняя контроль качества). Ваша задача: развивать архитектуру агентов и одновременно поддерживать и улучшать классические ML-модели оценки имущества.

Чем предстоит заниматься

Проектировать и выводить в прод LLM-агентов и ассистентов для работы с залогами: multi-step и agentic workflow, оркестрация моделей, инструментов и внешних сервисов

Строить и развивать RAG-системы поверх залоговых документов и структурированных данных банка

Проектировать архитектуру LLM-решений с явным учётом trade-off'ов по качеству, latency, стоимости, надёжности и наблюдаемости

Выстраивать систему оценки качества (eval) агентов: датасеты, метрики, отлов регрессий при смене промптов и моделей

Обеспечивать надёжность и безопасность LLM-систем в банковском контуре: guardrails, защита от prompt injection и утечек данных, контроль галлюцинаций

Участвовать во всём жизненном цикле решения — от обсуждения задачи с бизнесом и декомпозиции до деплоя и мониторинга в production

Общаться с бизнес-заказчиками напрямую, превращать их боли в технические задачи, а не в «красивый график»

Поддерживать и развивать ML-составляющую оценки имущества там

Следить за развитием области LLM и агентов и аргументированно решать, что стоит и что не стоит тащить в прод

Работать в Agile/LeSS и участвовать в улучшении подходов команды

Наши требования

Опыт работы с big-data стеком: Spark, Airflow, Hadoop/Hive

Опыт с NLP-задачами на документах (spaCy, Transformers) — у нас много неструктурированных залоговых документов

Опыт с банковскими/регулируемыми доменами и требованиями к explainability решений

Практический опыт настройки observability для LLM (трейсинг вызовов, дашборды по качеству и расходам на токены)

Опыт с графами знаний / семантическим слоем для retrieval (актуально для связанных сущностей: залог, заёмщик, оценка, обременения)

Опыт продуктового внедрения LLM-систем: хотя бы одна система с реальными пользователями, доведённая до прода (а не пет-проект или демо в ноутбуке), с метриками и интеграцией в процессы компании

Опыт построения production-grade retrieval (RAG и за его пределами): гибридный поиск и reranking, агентный/multi-hop retrieval, понимание трейд-оффов между retrieval и длинным контекстом; умение строить retrieval с аудируемым следом для регулируемых решений, а не просто «поиск похожих чанков»

Опыт разработки мультиагентных систем: проектирование multi-step и agentic workflow, оркестрация моделей и инструментов, интеграция со структурированными и неструктурированными источниками

Уверенный context engineering: управление контекстом и персистентной памятью между сессиями (накопление состояния от взаимодействия к взаимодействию), компактизация, логика прогрузки

Умение самостоятельно проектировать архитектуру сложного LLM-решения с обоснованием архитектурных решений (качество / latency / стоимость / надёжность / развиваемость)

Практика оценки качества LLM-систем: построение eval-датасетов, выбор метрик, отлов регрессий — критично для продукта, где LLM влияет на решения

Понимание рисков LLM в проде: галлюцинации, prompt injection, утечки данных и как с этим бороться

Сильный Python (3.10+), умение писать продакшен-код, а не только эксперименты

Опыт LLMOps/MLOps: версионирование, воспроизводимость, мониторинг качества в проде, автоматизация пайплайнов деплоя

Уверенная работа с данными: сбор, очистка и первичное исследование датасетов

Навык работы с кодинг-агентами (Claude Code, Codex и подобными)

Практический опыт классического (в т.ч. табличного) ML на senior-уровне: построение, обучение и улучшение моделей оценки имущества (LightGBM/XGBoost, scikit-learn)

Уверенный feature engineering и анализ качества данных: контроль корректности признаков и глубокое понимание ограничений источников

Полный цикл ML-модели в проде: от гипотезы и экспериментов до деплоя, мониторинга и контроля дрейфа данных

Умение балансировать классические ML-подходы и LLM — выбирать правильный инструмент под задачу, а не тащить LLM туда, где достаточно бустинга (и наоборот)

Основное (LLM/агенты): Python 3.10+, LangChain/LangGraph, Pydantic AI, vLLM/LiteLLM, Langfuse/Langsmith, векторные БД (pgvector/Milvus/Qdrant), Hugging Face Transformers

ML и данные: pandas, scikit-learn, LightGBM/XGBoost, PyTorch, spaCy, Spark, Hive, Hadoop, Airflow, MLflow

Инфраструктура и сервисы: FastAPI, Docker, Kubernetes, GitLab, Prometheus, Grafana

Стек большой — не нужно владеть всем. Под основным мы понимаем то, на чём держится продукт; остальное используется точечно. Важнее инженерное мышление и сила в LLM и классическом ML, чем галочка по каждой технологии

Мы предлагаем

Локация: Москва (возможна удаленная работа)

Возможность работать над комплексными задачами, которые видны бизнесу и напрямую влияют на процессы банка

Продуктовый подход: мы нацелены на внедрение и результат, а не только на research

Работу в сильной команде с опытными коллегами

Современный технологический стек и пространство для профессионального роста

ДМС со стоматологией, массажем, телемедициной, ежегодными чек-апами, которое работает как в Москве, так и в регионах

Страхование от несчастных случаев и онкологических заболеваний, страхование выезжающих за границу

Поддержка опытного наставника, обучающие курсы для комфортной адаптации, помощь в развитии экспертизы со стороны профессиональных сообществ банка

Бесплатные индивидуальные консультации психологов, юристов, экспертов по личным финансам и консультантов по здоровому образу жизни, карьерные консультации

Льготные условия на банковские продукты и услуги

Скидки от партнеров банка в приложении PrimeZone в сферах здоровья, развлечений, творчества и интернет-покупок