Data Scientist (NLP & RAG)

Москва, 2-я Звенигородская улица, 28

Метро: Улица 1905 года

Показать контакты

Описание вакансии

Обязанности:

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.

Требования:

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.