Цель роли:
Спроектировать, реализовать и развивать интеллектуальный поиск и AI-ассистента внутри приложения и с возможностью подключения к иным клиентским каналам), обеспечивая правильный выбор LLM-модели, подготовку и разметку данных, интеграцию в продукт и проверку гипотез через продуктовые метрики.
Нам важно чтобы кандидат имел:
Опыт работы от 2 лет в области AI/ML/DS.
Реализованные проекты с LLM (chatbot, semantic search, recommendation systems).
Опыт интеграции AI-решений в продуктовые системы (мобильные или веб-приложения).
Основные обязанности:
Выбор LLM: исследование доступных моделей (open-source и commercial), подготовка сравнительного анализа (стоимость, latency, качество, ограничения), предложение оптимальной модели для продакшена.
Data Pipeline: разработка правил разметки данных и форматов хранения совместно с дата-инженерами; поддержка процедур загрузки, обновления и версионирования данных.
Интеллектуальный поиск: построение поиска по данным (vector search, hybrid search, reranking), интеграция retrieval-решений (Qdrant, Weaviate, Pinecone, Elastic, OpenSearch).
Продуктовые эксперименты: формулировка и проверка гипотез, работа с метриками качества поиска (precision@k, recall@k, NDCG, CTR) и пользовательскими метриками (конверсия, удержание, satisfaction).
Развитие продукта: участие в обсуждении фичей, проектировании пользовательского опыта, предложение улучшений на стыке AI и UX.
Интеграция: взаимодействие с backend и frontend-командами для внедрения функционала в продакшен.
Технические навыки:
Модели и AI
Понимание архитектур LLM (GPT, LLaMA, Mistral, Claude и др.), умение работать с API и/или запускать open-source модели локально.
Навыки fine-tuning (LoRA, PEFT), prompt engineering, RAG (retrieval-augmented generation).
Опыт использования эмбеддингов (text embeddings) для поиска и семантического сопоставления.
Поиск и базы данных:
Опыт работы с vector DB (Pinecone, Qdrant, Weaviate, Milvus).
Знание поисковых движков (Elasticsearch, OpenSearch) и гибридных подходов.
Опыт настройки пайплайнов: ingestion, preprocessing, indexing, query parsing.
Data Engineering / MLOps (взаимодействие с командой дата-инженеров):
Знание форматов данных (JSON, Parquet, CSV) и стандартов разметки.
Навыки работы с Python (pandas, PyTorch, HuggingFace, LangChain, LlamaIndex).
CI/CD для ML (Docker, Kubernetes, MLflow, DVC приветствуется).
Продуктовые метрики и эксперименты:
Знание методов A/B-тестирования.
Метрики качества поиска (Precision/Recall/NDCG/MRR).
Понимание продуктовых KPI: LTV, Retention, Engagement.
Soft skills
Умение объяснять сложные технические решения простым языком для стейкхолдеров.
Продуктовое мышление: не только “настроить модель”, но и оценить бизнес-ценность.
Готовность работать в команде и координировать задачи с инженерами и продакт-менеджерами.
Ориентация на результат: MVP → метрики → улучшение.
Условия: