💼 Системный аналитик (RAG / AI)
— Компания: Selecty (КА)
— Формат: Удалённо
— Занятость: Полная
— ЗП: 300.000-350.000₽
• Обязанности:
— Сбор и формализация требований к RAG-функциональности, AI-агентам и гибридным пайплайнам
— Проектирование логики RAG-пайплайнов: чанкинг, эмбеддинги, гибридный поиск, постобработка, вызов инструментов через MCP
— Декомпозиция бизнес-задач в функциональные и нефункциональные требования для RAG- и agent-сценариев
— Проектирование схем данных для графовых БД и оптимизация retrieval-запросов
— Проектирование интеграций REST/gRPC, очередей и API LLM
— Документирование архитектуры, API-контрактов, MCP-ресурсов и схем данных
— Разработка тестовых сценариев и метрик качества AI-решений
— Организация и анализ экспериментов: сравнение моделей, чанкинга, поисковых и графовых схем
— Оценка стоимости и производительности решений: latency, токены, объём данных и сложность графовых обходов
— Мониторинг качества решений в production и анализ инцидентов
— Инициирование улучшений на основе результатов экспериментов и анализа качества
— Описание процессов, интеграций и агентных workflow в BPMN/UML
— Взаимодействие с бизнесом, ML-инженерами и разработчиками
— Самостоятельное ведение задач и презентация решений стейкхолдерам
— Отслеживание новых подходов в области MCP, multi-agent systems и GraphRAG и оценка их применимости
• Требования:
— Высшее техническое образование
— Опыт работы системным аналитиком от 3 лет
— Опыт от 1 года в проектах с ML/NLP, поисковыми системами, семантическими графами или RAG
— Глубокое понимание архитектуры RAG: retrieval, генерация, векторный поиск и оценка качества
— Понимание MCP (Model Context Protocol) и принципов организации доступа LLM к инструментам и источникам данных
— Опыт полного цикла: от сбора требований до сопровождения продукта в production
— Опыт работы с SQL и профилированием данных
— Понимание пригодности данных для retrieval-задач и работы с графовыми структурами
— Опыт проектирования интеграций REST/gRPC, очередей и API LLM
— Опыт работы с векторными БД: Qdrant, Pinecone, Weaviate или аналоги
— Опыт работы с графовыми БД: NebulaGraph, Neo4j или аналоги
— Понимание проектирования схем графовых БД и написания запросов nGQL/Cypher
— Понимание принципов построения агентных систем: Agentic RAG, планировщики, память, tool calling
— Опыт формализации агентных сценариев с использованием BPMN/UML
— Владение BPMN/UML для описания процессов, интеграций и agent workflow
— Понимание метрик качества поиска и генерации: precision@k, MRR, coverage и др.
💬 Для отклика: @alinarood
‼️ Ознакомьтесь перед откликом: не сообщайте никому пароли и коды из смс, не входите в чужие аккаунты, не устанавливайте ПО и не запускайте код с неизвестными зависимостями. Будьте бдительны!