Senior Data Scientist

 

• Разработка архитектуры ML-решений для автономных агентов.
• Специализация фундаментальных моделей (LLM/Vision) под задачи строительства.
• Построение enterprise-grade RAG-систем для извлечения информации из неструктурированных документов.
• Внедрение MLOps-практик: мониторинг качества, A/B-тестирование и глубокая оптимизация latency/cost при инференсе.

 

Backend Developer

 

• Опыт разработки на Python: от 3 лет в коммерческой разработке, включая написание высоконагруженных сервисов.
• Веб-фреймворки: глубокое знание FastAPI и/или Django (разработка RESTful API, middleware, обработка ошибок, валидация).
• Асинхронное программирование: уверенное владение asyncio, aiohttp/httpx для работы с внешними API и неблокирующих операций.
• Работа с базами данных: опыт проектирования схем в PostgreSQL (включая оптимизацию запросов) и работы с NoSQL (MongoDB, Redis для кэширования).
• Интеграция с AI/LLM: практический опыт вызова и управления внешними API: понимание таймаутов, ретраев, стриминга.
• Понимание микросервисной архитектуры, опыт работы с брокерами сообщений (RabbitMQ или Kafka).
• Контейнеризация и оркестрация (Docker, Kubernetes — базовые навыки деплоя и настройки).
• Знакомство с Pinecone, Weaviate, Qdrant или Milvus (будет преимуществом: умение выполнять поиск, вставку и управлять индексами).
• Опыт написания юнит- и интеграционных тестов (pytest), понимание принципов TDD/BDD.
• CI/CD и мониторинг: настройка пайплайнов (GitHub Actions/GitLab CI), базовое знакомство с логированием (ELK, Prometheus/Grafana).
• Знание процессов разработки: опыт работы в Agile-командах (Scrum/Kanban), проведение code review, участие в планировании спринтов, умение декомпозировать задачи и оценивать их.

 

QA Engineer

 

• Функциональное и регрессионное тестирование продуктов с LLM-компонентами (веб-интерфейсы, API, интеграции).
• Разработка и поддержка наборов тестовых сценариев для оценки качества ответов моделей (evaluation datasets, golden sets).
• Тестирование промптов: проверка устойчивости к перефразированию, edge-кейсам, инъекциям и джейлбрейкам.
• Оценка ответов LLM по критериям: точность, полнота, галлюцинации, соответствие формату (structured output/JSON Schema).
• Воспроизведение плавающих дефектов, статистическая оценка стабильности.
• Автоматизация рутинных проверок на Python (pytest): smoke-тесты API, прогоны evaluation-сценариев, скрипты для массовой проверки ответов модели.
• Тестирование API-интеграций с LLM-провайдерами (OpenAI, Anthropic, OpenRouter и др.): лимиты, ретраи, обработка ошибок, стриминг.

 

---

Формат работы

 

• Гибрид в Москве, Питере или Новосибирске.