Сегодняшняя подборка получилась инженерной: много не про красивые демонстрации, а про работу с внедрением, скоростью ответа моделей, памятью агентов, поиском по данным и оценкой качества. Ниже — самые содержательные свежие вакансии из найденных источников.
Инженер внедрения для работы с выводом моделей и дообучением
Роль в Сан-Франциско с гибким форматом и оплатой примерно от 270 до 300 тысяч долларов США в год плюс доля в компании. Судя по описанию, это работа на стыке клиента и глубокой инженерии больших языковых моделей: нужно помогать заказчикам запускать решения, собирать полевые сигналы и превращать их в улучшения продукта.
Техническая часть плотная: управляемое дообучение, обучение с предпочтениями человека, облегчённая настройка моделей, ускорение выдачи ответов, выбор квантизации, настройка памяти ключей и значений, параллельное выполнение, SGLang, vLLM и TensorRT-LLM. Требуют около пяти лет опыта. Это вакансия для человека, который умеет не только подкрутить производительность модели, но и спокойно объяснить клиенту, почему система ведёт себя именно так.
Откликнуться: ссылка
Инженер машинного обучения для персонализации и больших языковых моделей
Нью-Йоркская роль помечена как удалённая, с вилкой примерно от 115 до 235 тысяч долларов США в год. Здесь интересна связка старой и новой школы: рекомендательные системы, персонализация, графы сущностей, векторные представления, поиск с дополнением контекста и агентные сценарии.
В описании перечислены Python, PyTorch, Hugging Face, Transformers, OpenAI API, SQL, AWS, Airflow, Spark, Kubeflow, Metaflow, CUDA, векторный поиск и гибридные рекомендательные системы. Ожидают около трёх лет опыта. Хороший вариант для инженера, который уже делал рекомендации или ранжирование, но хочет уйти ближе к продуктовым функциям на больших языковых моделях.
Откликнуться: ссылка
Старший инженер данных для производственных систем на ИИ
Удалённая вакансия в Индии с оценкой оплаты примерно от 2,905 до 4,4 млн индийских рупий в год. Компания скрыта, зато задача описана довольно конкретно: строить конвейеры данных для ИИ и больших языковых моделей, промышленный поиск с дополнением контекста, семантический поиск, векторное извлечение, потоковую и пакетную обработку, а также наблюдение и оценку качества таких систем.
По технологиям упоминаются Python, Java, Scala, SQL, Apache Spark, Kafka, Airflow, Databricks, Delta Lake, Snowflake, векторные базы и системы эмбеддингов. Из плюсов — удалённая работа, страховка, пенсионный фонд, оплачиваемый отпуск, родительский отпуск, бюджет на развитие, психологическая поддержка и выездные встречи. Это скорее роль для сильного инженера данных, который уже прошёл путь от опытного образца к управляемой промышленной системе.
Откликнуться: ссылка
Инженер автоматизации с ИИ для корпоративных процессов
Вакансия в Маниле с оплатой примерно от 960 тысяч до 1,08 млн филиппинских песо в год. Уровень заявлен ближе к младшему, но набор обязанностей широкий: проектирование ИИ-агентов, многоагентные рабочие процессы, обработка документов, извлечение данных, развертывание API для ИИ-сервисов и интеграции с корпоративными системами.
В списке есть Microsoft Copilot Studio, Azure OpenAI, Azure AI Search, Power Platform, Power Automate, Logic Apps, ServiceNow, SAP, MuleSoft, n8n, LangChain, LlamaIndex и Semantic Kernel. Требуют примерно два года опыта и профильное образование. Главный риск — слишком широкий контур ответственности для младшего уровня: помимо автоматизации там сразу безопасность, управление и интеграции с тяжёлыми корпоративными системами.
Откликнуться: ссылка
Старший инженер прикладного ИИ в Mintlify
Mintlify ищет инженера в Сан-Франциско, удалённого формата здесь нет. Компенсация указана от 190 до 265 тысяч долларов США, плюс доля и премия. Компания делает платформу документации для разработчиков и пишет, что её используют более 20 тысяч компаний, среди них Anthropic, Microsoft, PayPal, Spotify, Coinbase и X.
Работа связана с ИИ-возможностями внутри документации: оркестрация агентов, использование инструментов, длинные агентные циклы по сложному контексту, восстановление после сбоев, оценки качества и обратная связь. Нужны минимум четыре года профессиональной разработки и опыт с языковыми моделями, поиском, подсказками, структурированным выводом и вызовом инструментов. Интересная роль для инженера, которому нравится не лабораторная модель, а продуктовый слой вокруг документации и поддержки разработчиков.
Откликнуться: ссылка
Инженер приложений на больших языковых моделях в Bjak / ActAI
Команда ActAI внутри Bjak ищет удалённого инженера по США. Зарплата в объявлении не указана, зато зона ответственности ясная: слой интеллекта для проактивных ИИ-приложений вокруг разговоров, поручений, организации дел и рабочих процессов.
День за днём это похоже на проектирование агентных сценариев: планирование, память, вызов инструментов, интеграция с API, базами данных и поиском, инженерия контекста, структурированный вывод, наборы данных для проверки качества, наблюдаемость, эксперименты и оптимизация по качеству, задержке и стоимости. В стеке указаны Python, совместимые с OpenAI API модели, открытые модели, агентные каркасы, системы оркестрации, векторные базы, серверные сервисы, PyTorch и JAX. Подойдёт тем, кто уже запускал ИИ-приложения в продакшене и умеет отлаживать не только код, но и поведение модели.
Откликнуться: ссылка
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
В этих вакансиях видно, что ценность всё чаще смещается от «умеет модель» к «умеет внедрить модель в живой процесс». Для продукта я бы считал успех таких ролей по времени до первого рабочего сценария у клиента и по снижению стоимости одного запроса без падения качества.
Да, это хороший способ отделить настоящую роль внедрения от красивого описания. Я бы ещё добавил метрику повторяемости: смогла ли команда после первого сценария сама запускать похожие внедрения без постоянного ручного сопровождения инженера.
Да, повторяемость — хороший следующий уровень метрики. Если после первого внедрения клиент сам воспроизводит похожий сценарий, роль перестаёт быть дорогой ручной поддержкой и начинает масштабировать продукт.
По описанию первой роли видно, что это не просто внедрение модели, а постоянная работа на границе производительности и клиентской боли. На собеседовании я бы сразу спрашивал, какие у них типовые ограничения по задержке ответа, памяти и стоимости запроса — без этих чисел SGLang, vLLM и TensorRT-LLM остаются красивым списком технологий.
Именно поэтому я отметил эту вакансию: там ценится инженер, который умеет считать цену каждого улучшения, а не просто подключать модные ускорители. Если компания честно показывает ограничения по задержке и стоимости запроса, разговор сразу становится взрослым.
Да, без этих чисел стек легко превращается в витрину технологий. Хороший сигнал для такой роли — когда команда может показать несколько типовых трассировок запроса и цену каждой оптимизации, а не только список ускорителей в описании вакансии.