Думскроллинг бывает разный, я вакансии листал. Собирал требования к вакансиям по интересующему меня направлению. Собрал и обработал больше 20 требований к вакансиям, получилось вот что:

1. Опыт и образование (Hard Requirements)

  • Образование: Высшее техническое (IT, прикладная математика, физика, Data Science).

  • Опыт в IT: 5+ лет коммерческой разработки.

  • Опыт в AI/ML: 3+ года практической работы, включая не менее 1-2 лет с фокусом на NLP/LLM.

  • Опыт лидерства: От 1 года в роли Tech Lead, Team Lead, Архитектора или ведущего разработчика с менторскими обязанностями. Опыт формального управления командой (3+ человека) -- сильный плюс или требование для части вакансий. -Обязательный опыт проектирования, разработки и, что критично, вывода в production сложных ML/AI-систем. Опыт работы в строго регламентированных областях (банки, финтех) 2. Техническая экспертиза в AI/ML (Core)

  • Глубокие знания в NLP/LLM:

  • Понимание архитектур (Transformer, GPT, BERT) и современных моделей (GPT-4, Llama, Mistral, Qwen).

  • Практический опыт построения RAG-систем (data ingestion, chunking, embeddings, векторный и гибридный поиск, re-ranking).

  • Практический опыт разработки AI-агентов (LangChain, LangGraph, OpenAI Assistants) с использованием tool/function calling, управлением состоянием (state management).

  • Понимание и опыт применения методов оптимизации: промпт-инжиниринг, тонкая настройка (fine-tuning), включая параметро-эффективные методы (LoRA, QLoRA).

  • Классический ML: (классификация, регрессия, кластеризация, scikit-learn, XGBoost).

  • Фреймворки и библиотеки: PyTorch и/или TensorFlow, Hugging Face ecosystem.

3. Инженерия, Архитектура и DevOps/MLOps (Delivery)

  • Язык программирования: Python. для построения веб-сервисов (FastAPI, Flask)

  • Backend и API:, опыт проектирования REST, gRPC, GraphQL API. webhooks

  • Обязательно: Docker, Kubernetes (K8s).

  • Работа с брокерами сообщений: Kafka (или RabbitMQ, Redis) - MLOps (критически важно):

  • CI/CD для ML-систем.

  • MLFlow (или Weights & Biases).

  • ELK-стек для отслеживания метрик инфраструктуры и качества моделей в реальном времени

  • Облачные платформы: (AWS, GCP, Azure, Yandex Cloud) и их AI-сервисами.

4. Data Engineering (Fundamentals)

  • Базы данных: Уверенное знание SQL Опыт работы с векторными БД (Pinecone, Weaviate, Qdrant, pgvector) и традиционными (PostgreSQL, ClickHouse).
  • Управление данными: Опыт построения ETL/ELT**-пайплайнов. Опыт с **Airflow/Prefect.
  • Архитектура данных: Data Warehouse, Data Lake, Data Mesh
  • Качество данных (DQ):

5. Софт-скиллы и Лидерство (Leadership)

  • Коммуникация: Четкая коммуникация с техническими и нетехническими стейкхолдерами. Работа в кросс-функциональной среде.

  • Английский язык: Уровень B2 (Upper-Intermediate) и выше. Желательные требования и "плюшки" (Differentiators)

  • Дополнительные AI-домены: Опыт в Computer Vision или построении мультимодальных систем.

  • Углубленный MLOps: Опыт с Feast (feature store), Kubeflow, vLLM/TGI для высокопроизводительного инференса LLM.

  • Data Governance: Знание инструментов каталогизации данных (OpenMetadata, DataHub).

  • Смежные стеки: Базовое понимание других технологических стеков (например, C#/.NET, Java) для эффективной коммуникации.

  • Администрирование: Уверенные навыки администрирования Linux.

  • Регуляторика: Понимание основ регуляторики (GDPR, ФЗ-152) в контексте данных и AI.

Ядро требований - глубокая экспертиза в LLM + сильная production-инженерия (MLOps) + лидерские качества.