NLP Engineer (LLM / Generative AI)

Обращаем внимание, что вакансия предполагает full-time office.

Ключевые задачи:

• Формировать дорожную карту LLM/GenAI-инициатив для трейдинга и смежных бизнес-функций.

• Разрабатывать end-to-end LLM-приложения: от подготовки данных и базы знаний, прототипирования и оценки качества до production-деплоя, мониторинга и поддержки.

• Проектировать и внедрять RAG-системы, LLM-решения и AI-агентов с tool/function calling, structured outputs и интеграциями с внутренними системами и API.

• Проектировать retrieval-слой: embeddings, semantic/vector search, hybrid search, reranking, chunking и работу с корпоративными базами знаний.

• Строить eval-пайплайны для LLM: автоматические метрики, LLM-as-a-Judge, регрессионные тесты, оценку галлюцинаций, качества retrieval и устойчивости промптов.

• Выбирать и сравнивать LLM под конкретные сценарии, проводить benchmark-тестирование open-source и API-моделей по качеству, latency, throughput и стоимости.

• Оптимизировать inference LLM: batching, caching, model routing, quantization, работу с длинным контекстом и использование GPU-ресурсов.

• Развивать LLMOps-практики: версионирование промптов, конфигураций и eval-наборов, observability/tracing, мониторинг качества, CI/CD и воспроизводимость экспериментов.

• Проводить технические ревью LLM-решений, задавать инженерные стандарты и развивать экспертизу команды.

• Коммуницировать качество, ограничения и риски LLM-систем техническим и бизнес-стейкхолдерам.

Требования:

• 3+ лет опыта в Data Science, включая практический опыт разработки и вывода LLM/GenAI-систем в production.

• Продвинутый Python и уверенная работа с PyTorch, Hugging Face Transformers и экосистемой инструментов для LLM.

• Глубокое понимание архитектуры и принципов работы LLM: transformers, attention, tokenization, embeddings, context window, prompting и reasoning.

• Практический опыт построения RAG-систем: vector search, retrieval, reranking, chunking, metadata filtering и оценка качества retrieval.

• Опыт…