Назад

AI Инженер Senior

Астана

Обязанности:

  • Проектировать, обучать и выводить в продакшен ML-модели для бизнеса: раннее предупреждение рисков по срокам и себестоимости строительных проектов, скоринг подрядчиков, прогноз качества;
  • Разрабатывать AI-агентов и сервисы на базе больших языковых моделей: ассистенты для анализа данных, автоматизация разбора документов и обращений, RAG-поиск по корпоративной базе знаний;
  • Строить и сопровождать пайплайны данных: выгрузки из корпоративного даталейка, витрины, контроль свежести и качества данных, point-in-time дисциплина для обучающих выборок;
  • Доводить модели до реальных продуктов: API, дашборды, интеграция с корпоративными системами, мониторинг качества и деградации после запуска;
  • Проверять гипотезы бизнеса на данных и давать честные вердикты: что работает, что не работает и почему, с числами и ограничениями;
  • Оформлять методологию и результаты для руководства: понятные отчёты, метрики, границы применимости;
  • Развивать ML-платформу команды: стандарты экспериментов, переиспользуемые компоненты, MLOps-практики;
  • Работать в связке с аналитиками, дата-инженерами и владельцами бизнес-процессов, менторить младших коллег.

Требования:

  • Опыт коммерческой разработки на Python от 4 лет, из них от 2 лет в машинном обучении или прикладном AI;
  • Подтверждённый опыт вывода ML-моделей в продакшен: от постановки задачи и сбора данных до мониторинга качества после запуска;
  • Уверенное владение SQL и опыт работы с корпоративными хранилищами данных (PostgreSQL, витрины, материализованные представления, оптимизация запросов);
  • Практический опыт работы с большими языковыми моделями: API ведущих провайдеров, построение агентов, RAG-архитектуры, промпт-инжиниринг, оценка качества ответов;
  • Знание классического ML-стека: pandas, scikit-learn, градиентный бустинг, валидация без утечек данных, метрики качества (AUC, precision, recall, калибровка);
  • Опыт оркестрации пайплайнов данных (Airflow или аналоги) и контейнеризации (Docker, Kubernetes);
  • Инженерная культура: код-ревью, тесты, git, воспроизводимость экспериментов, документация;
  • Умение честно оценивать ограничения данных и моделей и доносить их до бизнеса простым языком;
  • Русский язык свободно, английский на уровне чтения технической документации;
  • Будет плюсом: опыт в строительной, промышленной или девелоперской аналитике, опыт работы с данными 1С, опыт построения ML-платформ и MLOps-процессов, опыт менторства.