Работа в Москве, вакансия - Data Scientist (LLM/NLP) • Москва - id271

Мы создаём интеллектуального AI-консультанта нового поколения, который способен:
• Отвечать на сложные бизнес-вопросы на основе внутренних документов (RAG),
• Помогать пользователям через диалоговую систему,
• Генерировать специализированный код
• Проект совмещает передовые LLM-технологии , архитектуру Retrieval-Augmented Generation (RAG) и code generation models

Обязанности:

• Разработка и оптимизация RAG-архитектуры (retriever + generator)
• Интеграция LLM с векторными БД (FAISS, Qdrant, Weaviate и др.)
• Обработка и семантический поиск по корпоративным базам знаний, PDF, Wiki, API-документации и т.д.
• Разработка бота-помощника по генерации кода на основе user prompt' ов
• Подбор и настройка моделей генерации кода (CodeLlama, Starcoder, DeepSeekCoder и др.)
• Тестирование качества генерации: relevance, correctness, hallucination rate
• Построение пайплайнов для извлечения, разметки и дообучения на кастомных датасетах
• Визуализация результатов и сбор фидбэка от пользователей
• Участие в A/B тестировании LLM-решений и построении метрик качества

Требования:

Обязательные:

• Опыт в работе с LLM
• Навыки разработки RAG-систем: опыт с LangChain, LlamaIndex или аналогичными
• Знание Python, особенно в контексте NLP / ML / AI
• Опыт работы с embedding-моделями (sentence-transformers, Instructor, E5, text-embedding)
• Умение работать с векторными хранилищами (FAISS / Qdrant / Chroma)
• Знание архитектуры генерации кода (CodeLlama, Codex, StarCoder и пр.)
• Навыки работы с Rest API и умение работать с форматами JSON, Markdown, YAML
• Знание Git, Docker, Linux[ЮГ1] , Flask / FastAPI

Желательно:

• Опыт fine-tuning или LoRA-донастройки моделей
• Знания в области Information Retrieval: BM25, hybrid search
• Опыт работы с CI/CD, оркестрацией на Airflow или Dagster.
• Опыт генерации и тестирования кода LLM-моделями (unit tests, code quality metrics)
• Знание английского языка на уровне чтения технической документации и общения

Мы предлагаем:

• Участие в прикладных и исследовательских LLM-проектах
• Гибкий график, удалённую работу и команду, открытую к экспериментам
• Поддержку в обучении: менторство, материалы, доступ к GPU
• Быстрый рост и развитие компетенций