services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    volumes:
      - ollama:/root/.ollama
    ports:
      - 11434:11434
    restart: unless-stopped

  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    container_name: open-webui
    volumes:
      - open-webui:/app/backend/data
    ports:
      - 3000:8080
    environment:
      - OLLAMA_BASE_URL=http://ollama:11434
    depends_on:
      - ollama
    restart: unless-stopped

- Jenkins - разработка автоматизированных пайплайнов 
- k8s - умение подготовить приложение и оркестратор к автоматическому разворачиванию
- программирование (умеет сам писать код без шпаргалки на любом языке - баш питон)
- использование ИИ инструментов для разработки, автоматизации (курсор, и аналоги) 
- разработка дешбордов в графане 
- …еще … логи, монитоинг, Кафка, нжинкс, …

Добрый день! Меня зовут XXX, it компания S----ft. Рабочий вопрос:  вы привлекает внешних IT специалистов на проекты? 

Подберем сотрудника под требования компании и передадим на аутстаф. 

У нас свыше 1700 сотрудников (бэк/фронт, тестировщики, аналитики, архитекторы, дизайнеры, DevOps, QA специалисты … и др).

Такой формат рабочий?😉

И второй формат взаимодействия - это разработка программного обеспечения. За 20 лет мы реализовали свыше 1500 проектов, если есть идеи 💡 - обращайтесь.

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.

В 2022 году ИИ не мог надежно выполнять базовую арифметику. Он с уверенностью скажет вам, что 7 × 8 = 54.
К 2023 году он может сдать экзамен на адвоката.
К 2024 году он сможет писать рабочее программное обеспечение и объяснять науку на уровне выпускников.
К кону 2025 года некоторые из лучших инженеров в мире заявили, что они передали большую часть своей работы по кодированию ИИ.
5 февраля 2026 года появились новые модели, которые заставляли все до них чувствовать себя как в другую эпоху.

 «Нужно бежать со всех ног, чтобы только оставаться на месте, а чтобы куда-то попасть, надо бежать как минимум вдвое быстрее!» — Льюис Кэрролл.