Старший AI/ML инженер

Что предстоит делать

У Itransition появилась новая команда AI, которая создаёт AI-решения для клиентов из любых отраслей. Её проекты варьируются от добавления AI в систему, которую клиент уже использует, до создания нового продукта, а её работа охватывает агентов, ассистентов и чат-интерфейсы, а также backend-маршрутизацию и оптимизацию, computer vision и fine-tuning языковых моделей. В роли Senior AI/ML Engineer вы станете одним из первых инженеров в команде. Вы будете вести проект от запроса клиента до production-функциональности и руководить 2–3 инженерами на проекте. В этой роли сложная часть — обычно данные и процесс клиента, а не модель. Этап проекта может завершиться доказательством того, что данные не могут поддержать функциональность. Это valid-результат, когда он получен рано и объясняет почему. Что специфично для этой команды: • Новая команда: первые проекты задают то, как она работает • Прямой контакт с менеджерами и данными клиента • Обоснованное «это не сработает» считается результатом, а не провалом Если вы близки, но не охватываете всё это, всё равно откликайтесь и скажите, в чём вы не уверены.

• Превращать запрос клиента в scope и оценку: какие данные есть, что AI может с ними сделать, сколько это стоит
• Быстро создавать первую версию и проверять её на реальных данных клиента
• Рано говорить, когда данные не могут поддержать функциональность, и показывать почему
• Доводить функциональность до production и поддерживать её работу
• Руководить 2–3 инженерами и презентовать результаты менеджеру клиента.

Что ждём от вас

• Как правило, 5+ лет в software или ML engineering; сильный Python
• Понимание, когда задача требует AI, а когда обычный код, правило или запрос к базе данных справляются лучше
• LLM-функциональности и агенты, которые вы довели до production и поддерживали в рабочем состоянии: function calling, RAG, agent workflows
• Фреймворки для агентов: LangGraph, LlamaIndex или сопоставимые
• Деплой в облако (Azure, AWS) и on premises, включая локальные модели
• Оценка вывода LLM: тестовые наборы, согласованные с бизнесом, пороги прохождения, анализ ошибок
• Классический ML на табличных данных: churn, сегментация, прогнозирование
• Планирование AI-части проекта объёмом 1 человеко-год или более и руководство 2–3 инженерами на нём
• Персональные данные и AI: GDPR, что может передаваться внешнему LLM-провайдеру, а что нет
• Рабочий английский: вы презентуете результаты менеджерам клиента и защищаете техническое решение
• Не ожидается: глубина в каждом виде AI-работы. Глубина в LLM-приложениях — это ядро; остальное вы подтянете на проектах.

Что предлагаем