Опубликовано 13 дней назад

Разработчик / Инженер локальной RAG‑LLM системы в Брейни Бокс Барнаул

Building iconв офис
Person iconjunior
Money bag icon70 000 – 300 000 ₽/мес
Обязанности:
  • Внедрить и адаптировать офлайн LLM для работы с корпусом школьных учебников.
  • Настроить и интегрировать готовый RAG-пайплайн в существующую систему.
  • Организовать обработку базы знаний: конвертация документов (PDF/DOCX → текст) при необходимости, предобработка, очистка и чанкинг.
  • Настроить и оптимизировать векторное хранилище (ChromaDB, FAISS, Qdrant или Weaviate).
  • Подобрать и интегрировать модель эмбеддингов для эффективного поиска по учебникам.
  • Интегрировать локальную LLM в формате .gguf (через llama.cpp / llama-cpp-python или аналогичные инструменты) в существующую архитектуру приложения.
  • Оптимизировать качество поиска и ответов модели, снизить количество галлюцинаций.
  • Настроить процесс обновления базы знаний без необходимости повторного обучения модели.
  • Провести тестирование производительности и качества работы офлайн-модели.
  • Подготовить документацию по развертыванию, настройке и сопровождению решения.
Требования:
  • Требования — Hard skills
    • Практический опыт с LLM и локальным инференсом.
    • Глубокое понимание RAG (ретривер, генератор, контекстные окна, подбор
    негативов, переранжирование).
    • Опыт работы с векторными БД: ChromaDB, FAISS, Qdrant, Weaviate (одна или
    несколько).
    • Опыт с quantized‑моделями и стеком ggml / llama.cpp; понимание формата .gguf.
    • NLP‑базис: чанкинг, токенизация, эмбеддинги (например, sentence‑transformers).
    • Уверенный Python и экосистема (poetry/venv, pytest, logging, CLI).
    • Опыт/понимание fine‑tuning (желательно LoRA/QLoRA).•
    Базовые навыки Linux и работы с CLI, GPU/CPU настройка.
  • Требования — Подход и Soft skills
    • Исследовательский подход: постановка гипотез, A/B‑тесты, строгая оценка качества
    ретривера и генератора.
    • Итеративность: идти маленькими шагами с измеримыми улучшениями, а не
    «большой перезапуск обучения».
    • Фокус на данных: качество корпуса и поиска — первично, размер модели —
    вторичен.
    • Целеполагание: «Зачем мы это делаем?» — перед каждым этапом дообучения
Условия:
  • Формат работы: в офисе / гибридно (по договорённости).
    • График: гибкий, ориентирован на результат.
    • Компенсация: конкурентная, обсуждается с успешными кандидатами.
    • Процесс: скрининг → техническое интервью → тестовое → финальное интервью →
    оффер
Эту вакансию мы нашли в HH.ru
ББ

Брейни Бокс

Барнаул

Получить оффер

Подготовиться к собеседованию в Брейни Бокс

Похожие вакансии

Это единственная вакансия по вашему фильтру

Не то, что искал?

вакансии джуниор
как откликнуться на вакансию
примеры вакансий junior
вакансии по Python
стажировки по Python
Автоотклики