Вакансия Data Scientist / ML-инженера в IBS: разбор требований

Компания IBS открыла позицию Data Scientist / ML-инженера: опыт работы от одного года, возможен удалённый формат. Формально это junior-грейд, но список задач тянет на полноценный продакшн-ML с генеративными моделями. Разбираю требования по пунктам и объясняю, что они означают на практике.

Что за позиция и кому она подойдёт

Это Data Scientist / ML-инженер с опытом от года и удалёнкой. Обязательное условие — высшее образование: математическое, IT или техническое. По названию грейд junior, но по содержанию задач это уверенный middle-стек. Такое расхождение давно стало нормой: рынок ждёт от «джуна» того, что ещё несколько лет назад требовали от специалиста с двумя-тремя годами опыта. Если ты только заканчиваешь курс по ML и умеешь лишь запускать ноутбуки с обучением моделей — эта вакансия пока не про тебя.

Чем предстоит заниматься

Пайплайны обучения LLM живут на GPU-кластерах

Задачи охватывают весь цикл разработки — от прототипа до промышленного развёртывания — и широкий круг NLP-направлений:

исследование и внедрение современных подходов для NLP-задач;
разработка сервисов обработки естественного языка: классификация, суммаризация, NER (распознавание именованных сущностей), RAG (генерация с опорой на внешние источники);
участие в создании AI-ассистентов на генеративных моделях — BERT, Qwen и других;
построение пайплайнов подготовки данных и обучения LLM;
мониторинг качества и производительности LLM в продакшене;
проектирование и поддержка CI/CD-конвейеров для ML-проектов (Git, GitLab CI/CD, Jenkins);
контейнеризация и оркестрация сервисов (Docker, Kubernetes).

Отдельно отмечу упоминание SFT/LoRA и RLHF — это методы дообучения и выравнивания моделей. То есть речь не о «поиграться с API», а о работе с весами моделей, их тонкой настройке и последующем выводе в продакшн. Половина списка — это MLOps: CI/CD, Docker, Kubernetes, мониторинг. Именно эти навыки чаще всего отделяют джуна, которого берут, от джуна, чьё резюме уходит в корзину.

Требования к кандидату

От кандидата ждут уверенного Python и классического ML

высшее математическое, IT или техническое образование;
аналогичный опыт работы от одного года;
хорошее знание Python и основных библиотек анализа данных;
базовые навыки классического ML: EDA (разведочный анализ), предобработка, обучение моделей;
опыт применения трансформерных нейросетей — GPT, BERT и их модификаций;
опыт реализации RAG;
уверенное владение PyTorch или TensorFlow для тонкой настройки LLM.

Здесь важно, что работодатель не требует закрытых достижений и не просит «пять лет в крупной продуктовой команде». База по классическому ML плюс практика с трансформерами и RAG — этого достаточно для отклика. По сути, вакансия описывает портрет человека, который уже собирал хотя бы один проект с LLM: от подготовки данных до деплоя. Именно поэтому отличный способ подтянуть шансы — довести собственный pet-проект с RAG до работающего сервиса.

Что это говорит о рынке AI-специалистов

Вакансия — хороший индикатор того, как сейчас выглядит вход в профессию. Компании всё чаще объединяют роли Data Scientist и ML-инженера в одну: от кандидата ждут и аналитику, и инженерию, и работу с инфраструктурой. Чистых «исследователей без продакшена» на junior-уровне берут редко. Отсюда несколько практических выводов:

удалёнка на AI-позициях больше не бонус, а нормальное условие по умолчанию;
знание Docker и Kubernetes весит почти столько же, сколько умение обучать модели;
RAG и тонкая настройка LLM превратились из экзотики в базовый пункт требований;
порог «от года опыта» — скорее формальность, чем жёсткое правило, если есть портфолио.

Если ты вайбкодишь с LLM и хочешь пойти в найм — самое время перестать тренироваться только на туториалах. Собери сервис, оберни модель в API, поставь мониторинг, напиши свой CI. Это и есть тот язык, на котором с тобой будет говорить работодатель.

Выводы

IBS ищет Data Scientist / ML-инженера с опытом от года и возможностью удалёнки.
Задачи охватывают весь цикл: от прототипа и подготовки данных до продакшена и мониторинга LLM.
Ключевые требования — Python, классический ML, трансформеры, RAG и тонкая настройка LLM на PyTorch или TensorFlow.
Значительная часть вакансии — MLOps: CI/CD, Docker и Kubernetes.
Junior-грейд по факту требует навыков уровня middle, и это отражает общий тренд рынка AI-специалистов.