Senior Python / AI Developer

В поисках Senior AI Engineer 🚀

📍 Ташкент, Узбекистан | Офис, полная занятость

Главный инженер по искусственному интеллекту (Senior AI Engineer)

Задачи

✅ Проектирование и разработка решений на базе LLM для аналитики, поиска по данным и автоматизации бизнес-процессов

✅ Построение RAG-систем: подготовка и разбиение документов, векторный и гибридный поиск, переранжирование, контроль достоверности ответов и ссылок на источники

✅ Разработка агентных систем: оркестрация агентов, вызов инструментов, планирование, самопроверка, участие человека в принятии решений (human in the loop)

✅ Интеграция ИИ-решений с lakehouse-платформой, каталогом метаданных и BI-системами, включая text-to-SQL

✅ Развёртывание и эксплуатация локальных моделей в закрытом контуре: выбор моделей, квантизация, инференс на GPU, оптимизация скорости и стоимости

✅ Оценка качества и наблюдаемость: эталонные наборы, автоматические метрики, LLM-as-a-judge, трассировка и мониторинг

✅ Безопасность ИИ-решений: защита персональных данных и банковской тайны, защита от prompt injection, разграничение доступа

Требования

🔹 Высшее техническое образование: компьютерные науки, прикладная математика, IT или смежные направления

🔹 Опыт в разработке или инженерии данных от 4 лет, из них от 1 года практической работы с LLM и решениями, выведенными в промышленную эксплуатацию

🔹 Python и практики промышленной разработки: FastAPI, асинхронность, Git, code review, тесты, CI/CD

🔹 LLM-фреймворки: LangChain, LangGraph, LlamaIndex или аналоги; MCP, вызов инструментов, структурированный вывод

🔹 RAG: векторные БД (Qdrant, pgvector), эмбеддинги, гибридный поиск, переранжирование

🔹 Локальные модели: Ollama, vLLM, Hugging Face, квантизация, дообучение LoRA/PEFT

🔹 SQL на продвинутом уровне; Spark, Iceberg, ClickHouse, PostgreSQL; понимание архитектуры lakehouse

🔹 Оценка качества и наблюдаемость: Langfuse, DeepEval, Ragas или аналоги

🔹 Docker, Linux, CI/CD

🔹 Русский язык свободный, английский на уровне работы с технической документацией

Будет плюсом: опыт в банковской сфере или платёжных системах, Kubernetes, каталоги данных и дата-линедж (OpenMetadata), Data Vault, IOMETE

Резюме присылать в лс

• Определять источники данных для AI-решений: базы данных, документы, API, файловые хранилища, внешние системы и потоки обновлений;
• Проектировать модели данных: сущности и связи, версии, метаданные, lineage, права доступа и правила актуализации;
• Организовывать сбор и обработку данных из внешних источников: очистку, нормализацию, дедупликацию, классификацию и разметку;
• Формировать единое эталонное представление объекта (golden record) при объединении данных из нескольких источников;
• Подготавливать данные для поиска и RAG: chunking, embeddings, индексация, векторный и гибридный поиск;
• Настраивать retrieval и reranking, обеспечивать обновление индексов при изменении исходных данных;
• При необходимости готовить датасеты для обучения или дообучения моделей, если задача не решается с помощью RAG;
• Определять показатели качества данных и retrieval, организовывать их мониторинг: полнота, актуальность, precision/recall, latency и другие показатели;
• Взаимодействовать с LLM-инженерами, аналитиками и разработчиками при проектировании AI-решений.

НАШИ ОЖИДАНИЯ:

• От 4 лет опыта в Data Engineering, Data Platform, Data Architecture или смежной области;
• Уверенное знание SQL и реляционных баз данных;
• Опыт построения ETL/ELT-процессов и data pipelines;
• Опыт интеграции данных из различных источников: БД, API, файлов и внешних систем;
• Практический опыт проектирования моделей данных и работы с качеством данных, метаданными и версиями;
• Практический опыт подготовки данных для поиска, ML или LLM/RAG-систем;
• Понимание принципов chunking, embeddings, vector search и hybrid search;
• Опыт работы с векторными хранилищами или поисковыми системами;
• Умение самостоятельно разбираться в структуре и качестве новых источников данных.

БУДЕТ ПЛЮСОМ:

• Опыт разработки и эксплуатации RAG-систем в production;
• Опыт оптимизации retrieval и reranking;
• Python для обработки данных и разработки data pipelines;
• Kafka или другие системы потоковой обработки данных;
• Airflow или аналогичные инструменты оркестрации;
• PostgreSQL, ClickHouse, Elasticsearch/OpenSearch, векторные хранилища и аналогичные технологии;
• Опыт подготовки датасетов для supervised learning / fine-tuning;
• Понимание метрик оценки RAG: retrieval quality, groundedness, faithfulness, coverage.