Ведущий Python‐бэкенд‐инженер (ML/LLM‐сервисы)

Что делать?

• Разрабатывать backend-часть AI-решений: сервисы вокруг ML/LLM-моделей, API, бизнес-логику, работу с данными.

• Совместно с ML-инженером проектировать архитектуру AI-приложений и переводить ML-прототипы в промышленные сервисы.

• Реализовывать сценарии работы с LLM: вызовы моделей и агентов, конвейеры RAG, приведение ответов модели к структурированному виду.

• Обеспечивать надёжность AI-сервисов: обработку ошибок и превышений времени ожидания, повторные попытки выполнения, асинхронную обработку документов и длительных задач через очереди сообщений.

• Контролировать качество и стоимость эксплуатации моделей: версионирование моделей и промптов, оценку качества (eval), учёт расхода токенов, оптимизацию времени ответа.

• Выполнять контейнеризацию и развёртывание сервисов (Docker, Kubernetes), настраивать CI/CD, мониторинг и информационную безопасность.

• Разрабатывать демонстрационные интерфейсы, участвовать в согласовании требований с заказчиком, оценке трудозатрат и подготовке технической документации.

Что требуется?

• Высшее профессиональное образование

• Опыт работы более 3 лет коммерческой разработки на Python, из них не менее 1 года в проектах с ML/LLM

• Опыт разработки и вывода в промышленную эксплуатацию решений на основе ML/LLM: работа с API моделей (OpenAI-совместимые, YandexGPT, GigaChat или аналоги), потоковая передача ответов, получение ответов в структурированном виде, понимание ограничений моделей.

• Понимание устройства AI-решений: RAG (эмбеддинги, векторный поиск, ранжирование), агентные сценарии, методы оценки качества ответов (eval), инженерия промптов.

• Python — продвинутый уровень: асинхронное программирование (asyncio), фреймворки (FastAPI или аналоги), проектирование REST API.

• PostgreSQL, Redis, векторные базы данных (pgvector, Qdrant, OpenSearch).

• Брокеры сообщений (RabbitMQ и/или Kafka) и системы фоновых задач (Celery, Taskiq, arq или аналоги).

• Docker и Kubernetes на уровне самостоятельного…