Middle Data Scientist NLP/LLM (AI Agents)

Чем предстоит заниматься

• Проектированием и развитием LLM-агентов для продавцов маркетплейса: автоматизация операций поставки, вывоза, перемещения товаров между складами и других логистических действий;
• Разработкой и развитием RAG-систем для работы с внутренними регламентами, заявками, документацией и данными о товарах;
• Интеграцией и оркестрацией LLM (в том числе через LangGraph/LangChain) в существующие сервисы платформы;
• Проработкой процессов оценки, тестирования и мониторинга полноценных агентских систем (offline-метрики, auto-eval, трейсинг диалогов);
• Совместной работой с продуктовой командой: сбор требований, декомпозиция задач, участие в формировании и движении по продуктовому бэклогу по агентизации процессов;
• Поддержкой и развитием ML-сервисов в продакшене: оптимизация инференса, наблюдаемость, стабильность и качество ответов агентов.

От успешного соискателя мы ожидаем

• От 2 лет коммерческого опыта разработки (Python или Go);
• От 2 лет опыта в задачах NLP/GenAI/LLM;
• Понимание основных подходов к проектированию и архитектуре LLM-агентов (роль/инструменты, планирование, оркестрация, управление состоянием);
• Знание теоретических основ NLP — от bag-of-words/TF-IDF до современных Transformer/LLM-подходов;
• Понимание и практический опыт применения RAG/CAG/KAG-подходов для решения бизнес-задач;
• Опыт оценки LLM-моделей и агентных систем (классические метрики, human-eval, auto-eval, работа с логами/трейсингом);
• Опыт файнтюнинга моделей (LoRA, QLoRA, DPO или аналогичные методы);
• Уверенное владение Python (ООП, PyTorch, экосистема для работы с данными и ML);
• Минимум один реализованный проект с LLM-агентами (production- или pet-проект) с возможностью показать код/демо;
• Понимание процесса продуктовой разработки и умение работать в условиях меняющихся требований.

Будет плюсом

• Опыт разработки сложных агентных систем (multi-agent, tool-calling, интеграция с внешними API и бэкенд-сервисами);
• Опыт построения систем наблюдаемости и качества для LLM-агентов (LangFuse или аналоги, кастомные дашборды, алерты);
• Опыт оптимизации LLM-инференса под высокие нагрузки (vLLM, Triton, ONNX/TorchScript, квантование);
• Опыт проведения A/B-тестов и продуктовых экспериментов для ML/LLM-функциональности;
• Опыт быстрого прототипирования интерфейсов и демо (Gradio/Streamlit или аналогичные инструменты);
• Опыт работы с асинхронными пайплайнами, очередями, оркестраторами (Celery, Kafka, Airflow и т.п.).

Наш стек