Опубликовано вчера
Data Scientist (NLP & RAG) в Сloud.ru: Разработка Москва
в офис
junior
не указанаОбязанности:
- Разработка и внедрение агентных систем на базе LLM для выполнения сложных пользовательских и бизнес-задач.
- Проектирование агентных и мультиагентных workflows: tool calling, state management, memory, planning, routing и human-in-the-loop.
- Разработка и развитие RAG-систем: индексация данных, retrieval, reranking и формирование контекста.
- Интеграция агентов с внутренними сервисами, API, базами данных и внешними платформами.
- Создание внутренних бенчмарков и eval-пайплайнов для агентных и RAG-систем.
- Тестирование моделей и систем, анализ качества, latency и стоимости их работы.
- Дообучение open-source моделей, а также retriever- и reranker-компонентов.
- Совместная работа с командами разработки, аналитики и продукта.
- Исследование новых подходов в области LLM-агентов и внедрение успешных решений в production.
- Опыт работы от 2 лет в NLP/ML/LLM-разработке.
- Практический опыт создания и внедрения агентных систем.
- Понимание архитектуры LLM-агентов: tool calling, state management, memory, planning, routing и error handling.
- Опыт работы с LangGraph, LangChain, ADK или аналогичными фреймворками.
- Опыт разработки RAG-систем.
- Понимание подходов и этапов retrieval: hybrid search, filtering и reranking.
- Опыт fine-tuning моделей с использованием PyTorch и Transformers.
- Уверенное владение Python и опыт разработки backend-сервисов для ML.
- Понимание принципов ML System Design.
Будет плюсом - Опыт построения мультиагентных систем.
- Опыт работы с Langfuse, OpenTelemetry или аналогичными инструментами для tracing и observability LLM-приложений.
- Опыт построения eval-систем для LLM-агентов и RAG: offline/online evaluation, автоматические метрики, LLM-as-a-judge и анализ качества выполнения задач.
- Понимание вопросов безопасности LLM-систем: prompt injection, access control и безопасный tool calling.
- Опыт работы с Docker, Kubernetes и облачной инфраструктурой.
- Опыт развёртывания моделей для inference с использованием FastAPI, KServe, NVIDIA Triton, vLLM или SGLang.
- Опыт оптимизации систем по latency, throughput и стоимости.
- Понимание blockchain/Web3, EVM и принципов работы смарт-контрактов.
Эту вакансию мы нашли в HH.ru
СР
Сloud.ru: Разработка
Москва
Похожие вакансии
Это единственная вакансия по вашему фильтру
Не то, что искал?