Инженер по локальным LLM и автоматизации
Summary
Deploys and maintains the company's on-premise AI/LLM servers (GPUStack, Ollama, Open WebUI, vLLM) and builds automation workflows in n8n: RAG-based tech support, bots, call transcription, and data collection. Day to day is Linux/Docker administration, Python scripting, and picking and tuning open-source models — implementation, not model training.
Компания ТИСС развивает направление AI-сервисов. Мы ищем инженера по локальным LLM и автоматизации, который поднимет и будет вести наши AI-сервера. На их основе соберёт рабочие процессы различного направления: техподдержка с базой знаний, боты, разбор звонков, сбор и обработка данных.
Это не обучение моделей. Это внедрение: железо и софт, открытые модели, пайплайны, аккуратный Python и результат, которым реально пользуются люди.
-
Администрировать ИИ-сервера и стек вроде GPUStack, Ollama, Open WebUI, n8n или аналогов;
-
Выбирать и настраивать открытые модели под конкретную задачу;
-
Собирать сценарии в n8n или похожем инструменте — от чат-бота для клиентов до внутренних процессов;
-
Сделать из Open WebUI или другого чата платформу техподдержки с RAG по нашей базе знаний;
-
Настроить транскрибацию звонков и дальнейшую обработку расшифровок;
-
Собрать процесс ревью кода через наш ИИ-сервер как полноценный модуль — с нормальным качеством, а не «просто спросили чат»;
-
Писать парсеры и небольшие программы для сбора данных из открытых источников, затем прогонять результат через ИИ-сервера;
-
уверенно чувствовали себя в Linux, Docker , CI/CD, git;
-
хорошо писали на Python: рабочие скрипты и парсеры;
-
понимали виды API (REST, GraphQL, вебхуки, RPC) — не глубоко каждый, но не путали одно с другим;
-
умели работать с HTTP, JSON, HTML и чужим SDK по документации;
-
уже собирали пайплайны в n8n или похожем инструменте;
-
поднимали локальные модели (Ollama, Open WebUI, vLLM или аналоги) и понимали, какую модель когда брать;
-
хотя бы раз делали RAG: чат, который отвечает по документам, а не фантазирует;
-
умели довести задачу до рабочего контура самостоятельно.
Опыт работы с GPUStack или похожими системами, DataLens, Whisper, Telegram-ботами, FastAPI или Flask, SQL, векторными базами (Qdrant, PGVector и т.п.), а также опыт внедрения LLM во внутренние процессы компании.
Не подойдёт, если вы хотите обучать модели, строить ML-платформу или вам будет скучно заниматься автоматизацией и сопровождением.
-
задачи, в которых AI-решения доходят до реальных пользователей и измеримого результата;
-
официальное оформление и социальный пакет;
-
оборудование, обучение за счет компании;
-
прозрачный процесс принятия технических решений;
-
8/5 график и удаленный формат работы.