UseTech

Специалист по науке о данных (ИИ)

Коротко

Специалист по Data Science (GEN AI + Agentic AI) для разработки внутренней корпоративной ИИ-платформы заказчика: сервисы инференса LLM на Python (FastAPI + vLLM), интеграция ML-компонентов в микросервисную архитектуру, работа с промптами и векторными базами данных (Qdrant), RAG-системы и агентные паттерны. Требуется опыт коммерческой разработки на Python от 2 лет, продвинутый SQL, практический опыт работы с LLM и базовое понимание классического ML. Позиция удалённая, уровень Middle, работа через ИТ-группу Юзтех для клиента, разрабатывающего корпоративную ИИ-платформу.

О компании
Юзтех – группа аккредитованных ИТ-компаний полного цикла разработки с многолетней экспертизой в передовых технологиях: DWH, BigData, AI/ML, Blockchain, BI, предиктивная аналитика, цифровые двойники производства и рисков.
ГК Юзтех является технологическим партнером таких компаний, как Mail.ru, 2Gis, НЛМК, Еврохим, Го Инвест, Альфа-Банк, Сбер, ВТБ, МКБ, Самолет, Х5 retail Group, Газпромнефть, Леруа Мерлен, Ситилинк, Ланит, IBS. Также, ГК разрабатывает собственные IT-продукты (Usebus, Octopus, Тил Эйчар) и флагманские проекты, которыми пользуется 70% населения страны.
Приглашаем Специалиста по науке о данных GEN AI + Agentic AI присоединиться к команде нашего заказчика (ИИ платформа).
Описание проекта
Разработка внутренней корпоративной ИИ-платформы для автоматизации процессов, поддержки сотрудников и повышения эффективности взаимодействия с данными. В задачи проекта входит создание удобных пользовательских интерфейсов (чат-ассистенты, RAG-поиск, генерация текстов и изображений), сервисов для создания ИИ продуктов, в том числе агентов, интеграция с существующими системами компании и обеспечение контроля и мониторинга использования модели.
Задачи
•Разработка сервисов на Python для инференса LLM (FastAPI + vLLM через OpenAI-compatible API)
•Интеграция ML-компонентов в микросервисную архитектуру (асинхронные HTTP-клиенты, WebSocket)
•Интеграция с внешними API (HR-системы, базы знаний)
•Работа с промптами: системные инструкции, few-shot, управление контекстом диалога
•Настройка параметров генерации и инференса LLM
•Работа с векторными базами данных (Qdrant): поиск, reranking, score-boosting
•Сборка и оптимизация Docker-образов для ML-сервисов
•Участие в код-ревью: проверка кода согласно гайдлайнам, выявление типовых ошибок
Ваш опыт
•Опыт коммерческой разработки на Python от 2 лет
•Высшее образование: IT, техническое, математическое (или эквивалентный практический опыт)
•Уверенное знание Python: async/await, typing, ООП, структуры данных
•Опыт разработки REST API на FastAPI
•Продвинутый SQL: оконные функции, работа с PostgreSQL/asyncpg
•Практический опыт работы с LLM: инференс через OpenAI API или совместимые (vLLM, TGI)
•Понимание ограничений LLM: галлюцинации, контекстное окно, стохастичность, latency
•Навыки prompt engineering: системные промпты, управление контекстом, JSON-mode
•Базовый опыт контейнеризации: Docker, сборка образов, запуск контейнеров
•Базовое понимание CI/CD: запуск пайплайнов, чтение логов
•Понимание принципов работы с GPU: память, утилизация, параллелизм
•Умение работать с Git: ветки, pull requests, code review
•Опыт написания юнит-тестов
•Базовое понимание архитектурных паттернов для агентов: ReAct, Plan-and-Execute, Agent-as-a-Judge и знакомство с фреймворками LangChain, LangGraph, LlamaIndex, AutoGen
ML-алгоритмы и теория (базовое понимание)
•Классический ML: линейные модели, деревья решений, ансамбли (Random Forest, градиентный бустинг)
•Метрики качества: precision, recall, F1, ROC-AUC, accuracy для задач классификации, метрики для регрессии
•Валидация моделей: train/test split, кросс-валидация, bootstrapping
•Предобработка данных: нормализация, стандартизация, кодирование категориальных признаков
•Feature engineering: отбор признаков, работа с пропусками, выбросами
•Библиотеки: scikit-learn, pandas, numpy, matplotlib/seaborn для визуализации
Желательные навыки (будет преимуществом)
•Опыт развертывания LLM через vLLM (настройка параметров, оптимизация)
•Знакомство с Kubernetes: deployment, services, probes, resources
•Опыт работы с векторными базами (Qdrant, Pinecone, Weaviate)
•RAG-системы: поиск чанков, reranking, контекстуализация запросов
•Оптимизация инференса: batching, caching, quantization, streaming
Мы предлагаем
•Карьерную и профессиональную возможность в стабильной, аккредитованной ИТ-компании
•Расширенный полис ДМС со стоматологией, корпоративный психолог
•Необходимую технику для комфортной работы
•Обучение, сертификацию, Usetech English Club – онлайн изучение английского языка
•Доступ к Корпоративной библиотеке и к Корпоративному университету
•Внутрикорпоративные профильные коммьюнити
•Заботу о детях сотрудников: корпоративные скидки, подарки, детские дни
•Геймифицированную программу лояльности с корпоративным магазином
•Интересную корпоративную жизнь

Хватит откликаться.
Получите рекомендацию.

$10 стартовых кредитов

Всего 60 секунд, полностью на автопилоте — AI-агенты Eraldt читают ваше резюме, определяют подходящие роли, находят живые вакансии и людей, которые могут вас порекомендовать, пишут им личные письма и добиваются рекомендации.

Это не отклик на вакансию: резюме не уходит в компанию, а рекомендацию именно по этой роли мы не обещаем.

Посмотрите, кто ещё получает интервью на автопилоте