Прикладной LLM-инженер · junior/middle

О роли

Институт прикладного ИИ и роботизации (ИПИИР) запускает исследовательскую программу по прикладному слою ИИ — изучает, как готовые ИИ-инструменты встраиваются в работу людей и организаций. Прикладной LLM-инженер — основная инженерная роль в этой программе.

Эта роль — не про обучение языковых моделей с нуля и не про fundamental research. В фокусе — практическая интеграция: брать существующие LLM (закрытые и open-source), собирать на их базе работающие пайплайны под конкретные исследовательские задачи Института, измерять их реальную пользу и формализовать результаты в виде кейс-стади и открытых публикаций.

Роль подходит инженерам с опытом построения LLM-приложений (RAG, агенты, evaluation), которые хотят выйти из режима «сделать MVP к понедельнику» и пожить в режиме «понять, что действительно работает в индустрии, и описать это так, чтобы научное и инженерное сообщество могло переиспользовать».

Что мы НЕ делаем

• Не обучаем foundation-модели с нуля. Если интерес — обучить свою 70B-модель, это другой Институт.
• Не оказываем коммерческий консалтинг. Внедрения в командах партнёров — это полевые исследования, а не billable hours.
• Не делаем продуктовые чатботы для широкого рынка. Если работаем с продуктом — это материал для кейс-стади, не сам продукт.

Что предлагаем

• Удалённую работу, гибкий график (с пересечением по часовому поясу для созвонов).
• Реальные исследовательские задачи, у которых на выходе — открытая публикация, а не закрытый внутренний отчёт.
• Прямое влияние на формирующуюся научную программу: на старте у Института 4 направления и небольшая команда, ваше мнение слышно.
• Возможность выступать с докладами и публиковать кейс-стади под аффилиацией Института.
• Оформление: трудовой договор по ТК РФ через АНО «ИПИИР» (Москва). Удалённая работа возможна из любого региона РФ.

• Проектировать и собирать прикладные LLM-пайплайны под исследовательские кейс-стади Института: RAG над специализированными корпусами, многошаговые агенты, инструментальные вызовы, ансамбли с retrieval и классическими ML-компонентами.
• Делать честный evaluation: офлайн-метрики, регрессионные наборы, human evaluation, A/B на симулированных пользователях — то, что покажет реальную полезность, а не «вау, оно ответило» на трёх примерах.
• Прототипировать fine-tuning / LoRA / RLAIF под конкретные сценарии — там, где это даёт измеримый выигрыш по сравнению с просто запросом к большой модели.
• Совместно с исследователями описывать архитектурные паттерны и анти-паттерны интеграции: что приживается в реальных процессах, что нет, и почему.
• Публиковать код, данные оценки и материалы в открытом доступе — это не побочная активность, а часть работы.
• Участвовать в полевых исследованиях (внедрение LLM-инструментов в командах партнёров) на стороне инженерной поддержки — собирать телеметрию, проводить интервью, помогать редактировать кейс-стади.

Обязательно

• 1+ год коммерческого или исследовательского опыта с LLM (RAG, агенты, fine-tuning, evaluation) — или сильное портфолио open-source / pet-проектов.
• Уверенный Python; знакомство с экосистемой ML (PyTorch или TensorFlow, transformers, datasets).
• Практический опыт работы с API современных LLM (OpenAI, Anthropic) и/или с локальным деплоем открытых моделей (Llama, Qwen, GigaChat, YandexGPT — любой из стэков).
• Способность писать осмысленные технические тексты: разбор экспериментов, описание архитектуры, кейс-стади. Это часть работы, не побочная нагрузка.
• Английский на уровне свободного чтения научной и инженерной литературы.
• Привычка работать удалённо ответственно: фиксировать прогресс письменно, не пропадать на дни.

Желательно

• Опыт работы с векторными базами (pgvector, Qdrant, Weaviate, FAISS) и retrieval-пайплайнами.
• Опыт с агентными фреймворками (LangChain, LlamaIndex, custom), tool-use, function calling.
• Опыт MLOps на проде: эксперимент-трекинг, evaluation-пайплайны, мониторинг качества модели в реальном использовании.
• Знакомство с задачами AI evaluation и AI safety: оценка галлюцинаций, prompt injection, robustness.
• Опыт публичных выступлений, технических текстов или научных публикаций.
• Образование в области CS / ML / прикладной математики — желательно, но не обязательно при сильной практической экспертизе.