Мы — команда Nanimai.tech, развиваем сервис для автоматизации подбора персонала.
С помощью ML и современных LLM мы делаем поиск кандидатов быстрее, честнее и прозрачнее для бизнеса и соискателей.
Компания активно растёт, участвуем в акселераторах и конкурсах, идём от MVP к MLP и внедряем новые функции вместе с первыми корпоративными клиентами. Сейчас нам нужен Промпт-инженер / Prompt Engineer, который готов брать серьёзные задачи, экспериментировать с LLM и вместе с нами строить интеллектуальное ядро HR-системы.
Разрабатывать и улучшать LLM-ядро продукта:
проектировать промпты, цепочки рассуждений (Chain-of-Thought), инструменты (tool calling), пайплайны;
снижать галлюцинации и повышать стабильность (robustness) ответов.
Исследовать и внедрять методы оценки моделей:
разрабатывать метрики качества для HR-кейсов (скоринг кандидатов, матчинг с вакансиями, резюме/vacancy Q&A и др.);
строить offline-и online-эксперименты, A/B-тесты.
Анализировать bias / fairness / explainability решений:
находить источники предвзятости и разрабатывать способы её снижения;
повышать объяснимость скорингов и рекомендаций для рекрутёров и заказчиков.
Работать с LLM и NLP-стеком:
Уметь выбирать оптимальные параметры для работы с облачными LLM;
использовать эмбеддинги, semantic search, RAG-подходы.
Делать прототипы и доводить их до продакшена:
упаковывать эксперименты в сервисы и ML-артефакты, готовые к интеграции с backend;
тесно работать с backend-разработчиками и продактом, помогать проектировать API и схемы данных.
Отслеживать исследования и практики:
читать статьи, RFC, блоги лидеров рынка;
приносить в команду новые идеи и подходы, презентовать результаты экспериментов.
Уверенно пишешь на Python 3.10+, понимаешь основы асинхронности, умеешь организовывать чистый проект (структура, type hints, тесты).
Имеешь опыт разработки и обучения ML/DL-моделей:
PyTorch / TensorFlow / JAX или аналогичные фреймворки;
знаком с базовой статистикой, метриками качества, валидацией.
Глубоко понимаешь NLP:
токенизация, языковые модели, эмбеддинги;
работа с большими языковыми моделями (LLM), semantic search, RAG.
Уже решал задачи Prompt Engineering:
проектировал промпты под конкретные бизнес-кейсы;
использовал Zero-Shot / One-Shot / Few-Shot / Chain-of-Thought и др. техники;
знаешь типичные ошибки LLM и умеешь их отлавливать.
Имеешь опыт работы с LLM в проде или pet-проектах:
OpenAI / Anthropic / локальные модели (LLaMA, Mistral, YandexGPT, GigaChat и т.п.);
умеешь строить пайплайны вокруг LLM (pre/post-processing, кеширование, логирование, мониторинг).
Готов брать ответственность за качество решений:
умеешь формулировать гипотезы, проверять их, презентовать результаты;
аккуратно относишься к этике ИИ, fairness и отсутствию дискриминации.
У тебя английский B2 — читаешь статьи и документацию, можешь по необходимости формулировать запросы и краткие summary.
Работал с HR-данными, рекрутингом, ATS или рекомендательными системами.
Знаком с MLOps-подходами, ML-пайплайнами, мониторингом моделей.
Писал/публиковал научные работы или участвовал в исследовательских проектах по ML/DL.
Полную занятость с гибким графиком: 40 часов в неделю. Ценим соблюдение дедлайнов, есть пару обязательных командных созвонов в неделю.
Удалённый формат — можно работать из любого региона.
Оформление по договору ГПХ с самозанятым / ИП / физлицом, прозрачные условия и регулярные выплаты (1 раз в месяц).
Прямую работу с фаундерами, CPO и CTO: быстрые решения, минимум бюрократии.
Влияние на продукт: будешь одним из ключевых людей, определяющих интеллектуальное ядро системы.
Современный стек и живые задачи на стыке:
LLM, NLP, ML-исследований;
продуктовой разработки в HR-tech.
Регулярную обратную связь и обсуждении roadmap.
Опыт работы в стартапе ранней стадии, который заметно усилит твой профиль и CV.
Простые и прозрачные этапы отбора:
Тестовое задание — покажет ваши навыки в реальных задачах, всего 2-3 часа
Звонок с фаундером / HR — знакомство, рассказ о продукте и формате работы, обсуждение ожиданий по роли.
Техинтервью с CTO — обсуждаем твой опыт, разбираем реальные задачи, можем попросить разобрать небольшой кейс по LLM / prompt-инженерии.
Финальное обсуждение и оффер — согласуем условия, старт и первые фокусы по задачам.
