бургер кинг россия

Главный ИИ-инженер

Приглашаем тебя стать частью нашей команды. С нас — отличные возможности для раскрытия твоего потенциала и реализации самых смелых идей. А вместе мы сможем достичь невероятных вершин!

бургер кинг россия

Зарплата не указанаРоссияМоскваУдалёнка

Приглашаем тебя стать частью нашей команды. С нас — отличные возможности для раскрытия твоего потенциала и реализации самых смелых идей. А вместе мы сможем достичь невероятных вершин!

Ищем Главный ИИ-инженер в Департамент искусственного интеллекта.

ЧЕМ ПРЕДСТОИТ ЗАНИМАТЬСЯ:

  • Проектировать и собирать эталонный harness для end-to-end AI-driven tiny teams (SA + DE + BI): рантайм агента, тулы, MCP, скилы, субагенты, hooks, sandbox, permissions, память/контекст, логи и трейсы.
  • Формировать ролевые профили harness — что доступно SA, DE и BI, как они передают артефакты друг другу внутри одной команды, — и встраивать сборку в пайплайн: BRD/BFT → прототип → приёмка → S2T → карта трансформации → семантический слой → витрины → тесты → джобы → DQ.
  • Разрабатывать прикладной MCP-слой к инструментам разработки: dbt, Airflow, Superset, Qlik Sense, Talend, Greenplum (асинхронный коннектор, read-only), кастомные сервисы платформы.
  • Строить фабрику коннекторов: единый шаблон MCP-сервера (auth, scoping, rate limit, audit, observability, error contract) и генератор OpenAPI → MCP; вести реестр интеграций.
  • Разрабатывать прикладные скилы под функции сотрудников: SA (BRD, требования, S2T, документация, ER/DFD), DE (прототип, DDL/SQL review, джобы, DQ), BI (метрики, семантика, дашборды, сверки); участвовать в разработке Text2SQL с семантическим слоем и без него на метаданных OMD.
  • Разворачивать и администрировать персональные изолированные песочницы на NemoClaw: сетевые политики, egress-контроль, секреты, единая точка выдачи доступов, наблюдаемость, эксплуатация среды.
  • Строить guardrails и регрессионные evals: детерминированные проверки, контракты ответов, замер pass rate, стоимости и качества по этапам пайплайна; обеспечивать write-safety (dry-run, idempotency, approval-gate, deny-list прод-объектов, аудит).
  • Обеспечивать безопасность: RBAC/ABAC, изолированные схемы, маскирование и псевдонимизация PII, secrets management, DLP, аудит доступа; согласовывать решения с ИБ.
  • Тиражировать защищённый контур, отработанный на агенте-аналитике, на остальные роли и команды; вести технологический радар моделей, рантаймов, MCP и скилов.
  • Встраивать harness в регламентный контур (Stage-Gate, DoR/DoD/DoS), проводить пилоты на 1–2 tiny teams, обучать команды и масштабировать на отдел.

НОВЫМ СОТРУДНИКОМ НАШЕЙ КОМАНДЫ МОЖЕШЬ СТАТЬ ТЫ, ЕСЛИ ИМЕЕШЬ:

  • Анатомия harness: runtime, tool layer, MCP, skills, subagents, hooks, context/memory, sandbox, permissions, observability.
  • Разработка MCP-серверов под инструменты разработки (не только под системы-источники): авторизация, скоупинг, аудит, отказоустойчивость.
  • Прикладные интеграции: API dbt, Airflow, BI-стека (Superset/Qlik), ETL-стека (Talend); чтение артефактов сборки (manifest.json, .item/XML, load script) как источника метаданных.
  • Асинхронные коннекторы к СУБД: неблокирующие пулы соединений, таймауты, лимиты на тяжёлые запросы, устойчивость к обрывам; Greenplum — только read-only.
  • Слои платформы данных: ODS → DDS → UDS → DM, DLH (Iceberg + Trino), принципы S2T-маппинга.
  • Text2SQL и семантический слой: как из метаданных каталога (OMD: сущности, связи, метрики, глоссарий) строится контекст для генерации SQL и чем отличается качество с семантикой и без неё.
  • Context engineering и spec-driven development: упаковка контекста под предсказуемое качество дешёвой модели; подбор модели под роль (дешёвая модель для тестировщика, сильная — для разработчика) [1].
  • Guardrails и evals: регрессионные наборы, схемы валидации, контракты ответов, метрики качества агентских артефактов.
  • Оркестрация агентских систем: роли, сценарии, агентский рой — понимание, когда он нужен, а когда избыточен [1].
  • Безопасность: RBAC/ABAC, изолированные схемы, маскирование PII, secrets management, аудит доступа, работа с ИБ.
  • Знание английского — чтение технической документации и спецификаций API (обязательно).

МЫ ПРЕДЛАГАЕМ ТЕБЕ:

  • Всё по ТК РФ: гарантируем уверенность в завтрашнем дне, мы – аккредитованная ИТ-компания
  • Развитие и рост: создадим персональный план роста, учитывая твои сильные стороны и поддерживая на каждом этапе. А команда единомышленников поможет адаптироваться
  • ДМС со стоматологией и врач в офисе: здоровье сотрудников — в приоритете, даже в офисе
  • Гибридный формат работы: мы знаем, как это важно
  • Корпоративная культура: от деловых сессий и тренингов до огненных корпоративов — уникальная атмосфера с развитой обратной связью, где каждый чувствует себя значимым
  • Фонд помощи сотрудникам: мы ценим каждого члена нашей команды и готовы поддержать в трудные времена. Мы уверены, что вместе мы сможем преодолеть любые сложности
  • «Кинг Агент» и «Кинг Босс» — особые программы вознаграждений для тех, кто приводит в команду талантливых коллег
  • Дополнительные льготы – от корпоративных скидок до обучения. Занятия спортом, консультации юристов, финансистов, психологов и даже ветеринаров для ваших домашних любимцев

Дочитал(а) весь текст до конца? Держи пасхалку: наша ИТ-рекрутер Валентина просто обожает луковые колечки! Скажи ей, что тоже их любишь – получишь плюсик к карме и 100 очков за внимательность!)))

Похожие вакансии AI инженер

hh.ru
Р

AI-инженер

рн- геология исследования разработкаАвтоподнятие
Зарплата не указанаРоссияКрасноярскОфис

ООО «РН-Геология Исследования Разработка» («РН-ГИР») - крупнейший в России научно-исследовательский центр «Роснефти» в области геологии и разработки нефтяных, газовых и газоконденсатных месторождений. Филиалы и обособленные подразделения РН-ГИР расположены в Тюмени, Уфе, Красноярске, Москве, Самаре, Краснодаре, Томске.

Обязанности:

  • разработка AI-автоматизаций: Создание MVP, прототипов и полноценных решений для автоматизации рутинных задач (документооборот, внутренние запросы, аналитика);

  • работа с RAG-системами: Проектирование и реализация архитектур семантического поиска по внутренним базам знаний (LangChain, LlamaIndex, Qdrant);

  • интеграция LLM: Встраивание локальных и внешних языковых моделей, AI-агентов и инструментов оркестрации в бизнес-процессы;

  • развитие внутренней AI-платформы: Вместе с IT/DevOps развитие инфраструктуры для AI-сервисов (Docker, GPU, мониторинг);

  • улучшение кода и процессов: Рефакторинг существующих решений, внедрение лучших практик AI-driven разработки;
  • реализация новых AI-функции и пользовательских сценариев;
  • настройка и оптимизация инференс-серверов для запуска больших языковых моделей (LLM) с использованием современных фреймворков, таких как vLLM и SGLang;
  • контейнеризация и деплой решений в production-среду с помощью Docker и Docker Compose;
  • работа в Linux-среде: написание Bash-скриптов, автоматизация рутинных задач, настройка рабочих окружений;

Требования:

  • высшее (магистратура/специалитет) в области прикладной математики, компьютерных наук, программной инженерии или смежных технических специальностей;
  • опыт: 1–2 года коммерческой разработки (Python, JavaScript/TypeScript);
  • понимание LLM: Принципы работы Generative AI, промпт-инжиниринг, понимание архитектуры RAG (embeddings, vector search, chunking);

  • разработка ПО, искусственный интеллект и машинное обучение, курсы по LLM, Generative AI.

Необходимые профессиональные знания, навыки, умения:

  • уверенное владение одним или несколькими языками программирования: Python, JavaScript, TypeScript;
  • понимание принципов работы REST API, HTTP, JSON, интеграции внешних сервисов;
  • знание современных подходов к разработке web-приложения;
  • понимание принципов работы LLM и Generative AI;
  • практические навыки интеграции LLM в контур компании;
  • понимание архитектуре и принципов работы RAG-систем: embeddings, vector search, chunking, retrieval;
  • умение работы с современными AI-инструментами разработки: Cursor, Claude, ChatGPT и аналогами;
  • навыки работы с векторными базами данных;
  • понимание построения AI-агентов и AI-workflow;
  • готовность работать в условиях изменяющихся требований и быстро проверять продуктовые гипотезы.

Владение программным обеспечением:
стек разработки: Python (asyncio, FastAPI), SQL, Git, Linux/Bash;
данные и пайплайны: PostgreSQL, ClickHouse, Apache Airflow;
ML/LLM стек: LangChain/LlamaIndex, Qdrant, vLLM/SGLang, Hugging Face;
контейнеризация: Docker, Docker Compose.

Условия:

  • официальное трудоустройство по ТК РФ;
  • уровень заработной платы обсуждается при собеседовании;
  • ДМС, санаторно-курортное лечение;
  • страхование жизни и здоровья;
  • жилищная программа и программа негосударственного пенсионного обеспечения;
  • работа в офисе города Красноярска по адресу ул. 9 мая, д.65 Д.
hh.ru
Зарплата не указанаРоссияМоскваУдалёнка

Ищем разработчика с успешным опытом запуска ИИ-агентов и настройки взаимодействия между ними. Нужен практик, который лично внедрял агентов в работающие продукты и может показать результат. Одних курсов, учебных прототипов и генерации кода с помощью ИИ недостаточно.

О проекте

Развиваем B2B-платформу для строительного рынка: компании, закупщики и поставщики, поиск партнёров, заявки, предложения и деловая репутация. Нужно развивать систему агентов, которые выполняют рабочие задачи пользователей и взаимодействуют друг с другом.

Что предстоит делать

  • Изучить текущую реализацию и определить необходимые доработки.
  • Настроить роли агентов, распределение задач, передачу контекста и результатов между ними.
  • Подключить агентов к API, данным и функциям платформы.
  • Организовать память, поиск по базе знаний и использование накопленного опыта.
  • Настроить права доступа и согласование действий с пользователем.
  • Обеспечить продолжение прерванных задач, обработку ошибок и защиту от повторных действий.
  • Настроить проверку качества, журналирование и контроль расходов на модели.
  • Довести рабочие сценарии до устойчивого результата и описать систему для дальнейшей поддержки.

Что важно

  • Реальные внедрения ИИ-агентов, которыми пользовались люди или компании.
  • Опыт настройки нескольких взаимодействующих агентов: передача задач, общий контекст, контроль выполнения.
  • Уверенное владение Python или TypeScript/JavaScript, работа с API и базами данных.
  • Понимание вызова инструментов моделями, управления контекстом и поиска по базе знаний — RAG.
  • Умение разграничивать доступ к данным и действиям разных пользователей и компаний.
  • Способность самостоятельно разобраться в проблеме, проверить решение и отвечать за его работу после запуска.

Конкретные библиотеки и инструменты выбираем по задаче. Важны результаты внедрения и качество инженерных решений.

Формат

  • Удалённая проектная работа.
  • Объём, этапы, сроки и оплату согласуем по результатам знакомства и оценки задач.

Что прислать в отклике

Опишите 1–2 успешных внедрения: какую задачу решали, что сделали лично, как взаимодействовали агенты и какого результата достигли. Расскажите об одном сбое и о том, как вы его устранили. Приложите доступные примеры; закрытый проект можно описать обезличенно.

Укажите ваш стек, доступность и ожидания по оплате. Отклик с конкретными кейсами поможет сразу перейти к предметному разговору.

Другие площадки
джетлин

Machine Learning Engineer (Generative AI / Computer Vision)

джетлинАвтоподнятие
162k–365k ₽Не указана странаЛокация не указанаУдалёнка

Мы запускаем ИИ-инкубатор в Лемана ПРО, чтобы проверять смелые гипотезы и создавать продукты будущего. В рамках одного из ключевых Proof of Concept (PoC) мы ищем специалиста, который разработает модели для генерации изображений, дизайн-проектов и визуализаций готовых решений на основе ассортимента товаров Лемана ПРО.

Это возможность работать на стыке Computer Vision и Generative AI, превращая идеи в работающие прототипы, которые в перспективе изменят клиентский опыт в сфере ремонта и обустройства дома.


Чем предстоит заниматься (Задачи)

  • Разрабатывать и исследовать ML-модели для генерации изображений и визуализации интерьерных/строительных решений на основе товаров Лемана ПРО.

  • Проектировать и реализовывать end-to-end пайплайны для PoC: от сбора и подготовки данных до обучения, оценки и демонстрации результатов.

  • Создавать и поддерживать фреймворки для оценки качества (evals) генеративных моделей и LLM-систем (контроль галлюцинаций, метрики качества генерации).

  • Писать чистый, поддерживаемый production-ready код: модульная архитектура, unit-тесты, логирование, документация, code review.

  • Оптимизировать инференс моделей (стоимость, latency, масштабируемость), работать с GPU-инфраструктурой.

  • Обеспечивать информационную безопасность: контроль рисков prompt injection, защита персональных данных (PII) и корректное управление правами доступа в агентных системах.

  • Тесно взаимодействовать с командой продукта и другими ML-специалистами для валидации бизнес-гипотез и дизайна A/B-тестов.

Наши ожидания (Требования)

Фундаментальная база:

  • Глубокое понимание принципов машинного обучения: подготовка данных и feature engineering, выбор архитектур, регуляризация, борьба с переобучением и data leakage, интерпретация результатов.

  • Уверенные знания математической статистики: проверка гипотез, доверительные интервалы, дизайн и анализ A/B-тестов.

  • Понимание принципов оценки качества ML-систем: offline/online-метрики, построение валидации, оценка бизнес-эффекта, мониторинг качества моделей и данных (data drift).

Технический стек и разработка:

  • Уверенное владение Python и экосистемой: pandas / polars, NumPy, scikit-learn, CatBoost / LightGBM / XGBoost, PyTorch (или аналоги).

  • Уверенное владение SQL для работы с большими объемами данных.

  • Навык написания production-кода: модульность, тестирование, логирование, Git, опыт участия в code review.

Специализация (опыт работы хотя бы в одном из направлений, приоритетно CV/GenAI):

  • Computer Vision и генеративный AI (генерация изображений, NeRF, 3D-реконструкция или аналогичные задачи).

  • NLP, LLM и построение RAG-систем.

  • Рекомендательные системы, поиск и ранжирование.

  • Классическое машинное обучение или прогнозирование временных рядов.

Генеративный AI и LLM (важно для текущего PoC):

  • Опыт построения evals для LLM-систем, оценки качества ответов и мониторинга поведения системы.

  • Понимание рисков безопасности: prompt injection, некорректный tool calling, утечки данных.

  • Опыт работы с API языковых моделей, Hugging Face и orchestration-фреймворками (LangChain, LlamaIndex или аналоги).

  • Опыт fine-tuning или адаптации LLM (LoRA / PEFT).

  • Понимание принципов проектирования AI-агентов: управление состоянием (state management), выбор инструментов, контроль автономности и human-in-the-loop.

Инфраструктура и MLOps:

  • Опыт работы с Airflow, MLflow, Kafka, Redis, Kubernetes, Prometheus и Grafana.

  • Опыт эксплуатации GPU-инфраструктуры и оптимизации инференса (квантование, ONNX, TensorRT и т.д.).

  • Понимание принципов информационной безопасности, privacy и работы с персональными данными.

  • Опыт работы в e-commerce, retail или других продуктовых highload-системах будет значительным преимуществом.

HireSeeker собирает вакансии со всех площадок и присылает только релевантные. Бесплатно.