AI Engineer — мультимодальные ETL/ELT-пайплайныОпубликовано 05.11.2026
Что за роль
Команда переводит прототипы Data Science в production-сервисы и строит мультимодальные ETL/ELT-пайплайны. В работе используются модели CV, NLP и ML, а также GPU-инференс и RAG.
Чем вы будете заниматься
- Разрабатывать production-сервисы и мультимодальные ETL/ELT-пайплайны.
- Переводить DS-прототипы в сервисы с многопоточностью, batching и кэшированием.
- Интегрировать модели через vLLM, SGLang, PyTorch и ONNX и оптимизировать инференс на GPU.
- Строить RAG-системы, настраивать промпты для агентов и Guardrails.
- Проводить бенчмарки и нагрузочные тесты, внедрять CI/CD, мониторинг и меры безопасности.
Требования
- Опыт в Data Analytics и ML от 3 лет.
- Знание математической статистики и классических алгоритмов ML.
- Опыт работы с табличными данными, временными рядами, кластеризацией, регрессией и классификацией.
- Опыт с XGBoost, CatBoost и LightGBM.
- Практический опыт разработки асинхронных и многопоточных приложений на asyncio.
- Опыт тестирования ML-систем и оценки качества LLM/RAG на golden datasets.
Что мы предлагаем
- Гибридный или удалённый формат работы; офис находится в Москве.
- Зарплата от 350 000 до 450 000 ₽.
- Ежегодный пересмотр зарплаты и годовая премия.
- Корпоративный спортзал и зоны отдыха.
- Обучение за счёт работодателя и бесплатный доступ к электронной библиотеке.
- Поддержка компании в жизненно важных событиях.
Кто здесь добьётся успеха
Уверенно переводит прототипы машинного обучения в надёжные production-сервисы: применяет Python, асинхронность и многопоточность, а также batching и кэширование для обработки реальных нагрузок.
Сочетает практический опыт с мультимодальными данными и понимание моделей компьютерного зрения, обработки текста и машинного обучения, чтобы строить и поддерживать ETL/ELT-пайплайны и RAG-сценарии.
Умеет оптимизировать GPU-инференс и интегрировать модели через vLLM, SGLang, PyTorch и ONNX, оценивая компромисс между скоростью, стоимостью и качеством результатов.
Для специалиста среднего уровня характерно опираться на аналитику данных и математическую статистику при проверке качества моделей, уверенно использовать XGBoost, CatBoost и LightGBM и самостоятельно доводить технические решения до production в гибридном или удалённом формате.
Ресурсы для обучения
Карьерный путь
Обзор рынка
Навыки и требования
Тренды отрасли
Новости AI/Big Data
Загружаем новости отрасли...
Ищем релевантные статьи за последние 6 месяцев