Tech Lead / AI Solutions Engineer (Generative AI / LLM)

Основная цель

Сформировать технологическое лидерство в области AI/LLM/ML и выстроить короткий цикл «гипотеза → прототип → пилот» с контролем качества, бюджета и рисков. Обеспечить быстрое создание и проверку гипотез, разработку прототипов и вывод в пилот ключевых AI-решений компании (включая продукты типа «Ассистент аналитика» и «Ассистент по документам»).

Ключевые обязанности

• Разработка и интеграция решений на основе больших языковых моделей (LLM) в продукты компании.
• Работа с архитектурой ИИ-систем: выбор моделей, оркестрация, масштабирование, мониторинг
• Построение архитектуры и процессов разработки AI-решений (RAG, NL→SQL, guardrails, observability).
• Настройка и оптимизация LLM (fine-tuning, RAG, prompt-engineering, quantization и пр.).
• Быстрая проверка гипотез и выбор применимых технологий под бизнес-кейсы.
• Интеграция ИИ-компонентов в существующие backend/frontend-системы.
• Настройка процесса delivery (CI/CD), контроль качества, метрик и наблюдаемости.
• Разработка прототипов и выведение их в продакшен в рамках AI-платформы компании.
• Обеспечение безопасности, комплаенса и контроля стоимости (контекст-сжатие, кеши, квоты).
• Оценка и выбор между open-source и проприетарными LLM (Llama, Mistral, GPT, Claude и др.).
• Коллаборация с продуктовыми менеджерами и разработчиками для реализации ИИ-функционала.
• Поддержание исследовательского бэклога: планирование экспериментов, оценка технологий и подходов.
• Формирование и развитие технической команды (2–5 специалистов по инфраструктуре и LLM).

Технические компетенции

• Опыт работы с LLM и генеративным ИИ (минимум 2–3 года)
• Уверенное владение Python, а также фреймворками: LangChain, LlamaIndex, Hugging Face Transformers, vLLM и др.
• Понимание архитектуры современных LLM, методов адаптации моделей , RAG и пр.
• Базовое понимание ML/DL, но не обязательно глубокая экспертиза в ML-алгоритмах
• Опыт разработки production-ready ИИ-приложений
• Желательно:
• опыт работы с векторными базами данных (Pinecone, Weaviate, Qdrant), streaming inference, LLM observability
• Архитектура и Backend: проектирование API, очереди/кеши, Postgres, Redis, мониторинг (SLO p95/p99).
• Инфраструктура / MLOps: DEV/PROD окружения, Docker/Kubernetes, CI/CD для моделей и промптов, observability (OpenTelemetry).
• Безопасность: PII-маскирование, RBAC/ABAC, защита от prompt-injection, аудит-логи.
• Навыки управления delivery-циклом и командой (2–5 человек).
• Умение самостоятельно предлагать и проверять технологические гипотезы.

Будет плюсом

• Опыт участия в создании ИИ-ассистентов, чат-ботов, копирайтинг-инструментов и т.п.
• Знание MLOps-практик и инструментов LLM-observability.
• Понимание рисков LLM (hallucinations, bias, safety).
• Готовность быстро строить MVP и адаптировать решения под бизнес-цели.