DataScientist

#vacancy #DataScientist #LLM #RAG #Python #FastAPI #vLLM #Qdrant #LangChain #Senior ❌ ЗАКРЫТА ❌ Senior Data Scientist (LLM-инференс / RAG / FastAPI / vLLM / Qdrant) 🧠 🤖 ID вакансии: 3446_MS Ставка: до 235 000 руб. на руки в месяц. Грейд: Senior. Загрузка: Full-time. Длительность проекта: от 3 месяцев с возможностью продления. Формат: Удалённо. Локация/Гражданство: РФ / РФ. ⏳ Срок актуальности вакансии: до 30.10.2026. 📌 Важно: рассматриваются кандидаты с релевантностью опыта от 85% (аутстаффинговая позиция). 🏢 О проекте: крупный ритейл-проект. Разработка и внедрение AI-сервисов на базе LLM для бизнес-задач компании. 🧩 О роли: ищем зрелого Data Scientist с сильным инженерным бэкграундом, который возьмет на себя разработку ML-сервисов для инференса LLM, построение RAG-пайплайнов и интеграцию AI-компонентов в микросервисную архитектуру. Это роль для специалиста, который одинаково уверенно чувствует себя и в prompt engineering, и в классическом ML, и в production-разработке на Python. 🚀 Ключевые 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. 🎯 Обязательные требования (Hard Skills): Python и Backend (КРИТИЧНО!): — Опыт коммерческой разработки на Python от 2 лет . — Уверенное знание Python: async/await, typing, ООП , структуры данных. — Опыт разработки REST API на FastAPI . — Продвинутый SQL : оконные функции, работа с PostgreSQL/asyncpg. — Опыт написания юнит-тестов. — Умение работать с Git : ветки, pull requests, code review. LLM и Prompt Engineering (КРИТИЧНО!): — 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. Инфраструктура и ML-агенты (КРИТИЧНО!): — Базовый опыт контейнеризации: Docker , сборка образов, запуск контейнеров. — Базовое понимание CI/CD : запуск пайплайнов, чтение логов. — Понимание принципов работы с GPU : память, утилизация, параллелизм. — Базовое понимание архитектурных паттернов для агентов: ReAct, Plan-and-Execute, Agent-as-a-Judge и знакомство с фреймворками LangChain, LangGraph, LlamaIndex, AutoGen . Классический ML и Data Science (КРИТИЧНО!): — Разработка и валидация моделей классического ML: построение линейных моделей, деревьев решений и ансамблей ( Random Forest, градиентный бустинг ). — Разделение данных на выборки, проведение кросс-валидации и бутстрэппинга. — Подготовка данных и инженерия признаков: нормализация, стандартизация, кодирование категориальных признаков, отбор признаков, обработка пропусков и выбросов. — Оценка и визуализация: расчет метрик качества для задач классификации ( precision, recall, F1, ROC-AUC, accuracy ) и регрессии; визуализация результатов с использованием matplotlib/seaborn . 🎓 Образование: — Высшее образование: IT, техническое, математическое (или эквивалентный практический опыт). 💡 Будет весомым плюсом: — Опыт развертывания LLM через vLLM (настройка параметров, оптимизация). — Знакомство с Kubernetes : deployment, services, probes, resources. — Опыт работы с векторными базами ( Qdrant, Pinecone, Weaviate ). — Построение RAG-систем : поиск чанков, reranking, контекстуализация запросов. — Оптимизация инференса: batching, caching, quantization, streaming. Контакт для отклика: @hrwomenpro (При отклике, пожалуйста, сразу присылайте актуальное резюме с акцентом на опыт работы с LLM-инференсом (vLLM/FastAPI), RAG-пайплайна