Мы - R&D и инновационная венчурная студия, которая превращает человеческую изобретательность в технологические решения, способные масштабироваться.
Наша экосистема объединяет исследователей, инженеров и создателей, которые превращают сложные задачи в масштабируем уемые продукты — от сейсмической визуализации до аналитики на основе ии, от дистанционного зондирования до цифровой трансформации.
Наши венчурные проекты разрабатываются внутри компании, рождаются из исследований и вырастают в независимые бизнесы.
!Релокация в Азейбарджан
!Обязательно английский В2 и выше
Чем вы будете заниматься
Проектирование и развертывание LLM-систем
- Разрабатывать и внедрять функции на основе больших языковых моделей (LLM) «под ключ» — от архитектуры промптов и выбора модели до интеграции через АРІ и промышленного развертывания — с минимальным контролем.
- Отвечать за инженерию промптов для производственных функций: проектировать, управлять версиями и систематически оценивать промпты при обновлении моделей и появлении регрессий в поведении.
Интегрировать диалоговые и агентные возможности ИИ в существующее приложение, отвечая за API-слой, управление сессиями и стратегии корректной деградации (graceful degradation).
RAG и системы поиска информации
- Создавать и сопровождать RAG-пайплайны (Retrieval-Augmented Generation), включая стратегию чанкинга (разбиения текста), выбор эмбеддингов, управление векторными хранилищами и оценку качества поиска, адаптированные под предметную область приложения.
- Работать с различными подходами к поиску (плотный векторный поиск, гибридный поиск с ВМ25, реранкинг) и оценивать компромиссы между точностью, задержкой и стоимостью.
Агентные рабочие процессы и оркестрация
- Выбирать и применять фреймворки (LangChain, Llamalndex, LangGraph, кастомные решения), основываясь на реальных компромиссах в контексте продукта, а не на хайпе.
- Создавать и расширять МСР-серверы (Model Context Protocol) для интеграции инструментов, доступа к внешним сервисам и структурированного взаимодействия агентов.
Оценка и качество
- Определять и запускать пайплайны оценки LLM - автоматизированные метрики, оцен человеком (human eval), регрессионные наборы тестов и действовать на основе результатов без ожидания указаний.
- На ранних этапах выявлять регрессии в работе промптов, проблемы с качеством поиска и задержками и инициировать их устранение
Сотрудничество и инженерная культура
- Взаимодействовать с бэкенд- и фронтенд-инженерами как равный партнер, преобразуя возможности ИИ в четкие контракты сервисов и спецификации интеграции.
- На ранних этапах выявлять архитектурные проблемы или проблемы с качеством данных и своевременно ставить вопрос о расширении объема работ.
- Быть в курсе событий в экосистеме LLM и выносить на обсуждение конкретные, хорошо обоснованные предложения по внедрению техник или инструментов, решающих реальные проблемы продукта.
- Участвовать в создании технической документации, внутренних лучших практик и проводить код-ревью для младших членов команды.
Наши требования
Базовые знания
- Высшее образование (бакалавр или магистр) в области компьютерных наук, машинного обучения, ИИ или смежной дисциплины.
- Как минимум 1-2 года практического опыта в области LLM-инженерии - через работу в индустрии, учебные проекты или серьезные личные проекты.
- Хорошее понимание архитектуры трансформерных LLM и того, как поведение модели, контекстное окно и параметры вывода влияют на результат.
Экспертиза в области ИИ и машинного обучения
- Практический опыт создания RAG-пайплайнов: чанкинг, модели эмбеддингов, векторные хранилища (Pinecone, Weaviate, pgvector, Chroma) и оценка качества поиска.
- Знакомство с агентными фреймворками и паттернами оркестрации: использование инструментов, системы памяти, многошаговое рассуждение и коммуникация между агентами.
- Понимание протокола MCP (Model Context Protocol) для создания интероперабельных интеграций инструментов и структурированных агентных рабочих процессов.
- Опыт работы с LLM-инструментами, такими как LangChain, Llamalndex, LangGraph или их эквивалентами, со способностью выходить за рамки фреймворка при необходимости.
- Понимание техник оценки промптов: LLM-as-judge, схожесть эмбеддингов, регрессионное тестирование и валидация структурированного вывода.
Инженерные навыки
- Сильные навыки предобработки данных: регулярные выражения, нормализация, проектирование пайплайнов и работа с неструктурированными реальными данными.
- Владение Рython, наличие опыта проектирования REST API и работы с асинхронными паттернами.
- Знакомство с контейнеризацией (Docker) и развертыванием в облаке Microsoft Azure.
- Умение работать в кодовой базе с устаревшими компонентами и способность
- интегрироваться аккуратно, без излишнего усложнения.
