Что должен уметь Senior }

Проектирует Elasticsearch-кластеры для production NLP-систем. Интегрирует dense vector search для semantic retrieval, оптимизирует производительность для больших текстовых корпусов с миллионами документов.

Проектирует эффективные data pipeline для NLP на pandas/Polars. Оптимизирует обработку больших текстовых корпусов, применяет partitioning, chunked processing для out-of-memory datasets.

Проектирует production sentiment analysis системы: real-time processing, temporal sentiment tracking, sarcasm detection. Оптимизирует для высокой точности на domain-specific данных.

Проектирует production vector search инфраструктуру для NLP: multi-tenant architecture, embedding model selection, index sharding. Оптимизирует для scale и cost-effectiveness.

Проектирует production text classification системы: hierarchical classification, dynamic taxonomy, continual learning. Оптимизирует для high throughput и low latency в production.

Проектирует систему мониторинга для production NLP-платформы. Внедряет автоматическое обнаружение деградации, root cause analysis и automated remediation для NLP-моделей.

Проектирует инфраструктуру для масштабного трекинга NLP-экспериментов. Автоматизирует pipeline обучения, внедряет A/B тестирование моделей и систему автоматического выбора лучших конфигураций.

Проектирует production ML-pipeline для NLP на scikit-learn: custom transformers, pipeline с caching, calibrated classifiers. Применяет для lightweight NLP-задач где deep learning избыточен.

Проектирует сложные LLM-приложения для production NLP: multi-agent системы для анализа документов, LLM orchestration для multi-step NLP-pipeline. Оптимизирует качество и стоимость inference.

Проектирует production ML-pipeline для NLP-систем. Внедряет CI/CD для моделей, автоматическое переобучение по drift detection, A/B тестирование NLP-моделей с автоматическим продвижением.

Проектирует MLflow-инфраструктуру для NLP-команды. Настраивает remote tracking server, S3 artifact store, автоматические pipeline с MLflow Projects. Интегрирует с CI/CD для model deployment.

Проектирует high-performance serving инфраструктуру для NLP-моделей. Оптимизирует через quantization, distillation, model parallelism. Обеспечивает SLA по latency и throughput.

Проектирует production NER-системы: multi-model ensemble, active learning для разметки, nested NER, cross-lingual transfer. Оптимизирует для высокой точности на domain-specific данных.

Проектирует сложные NLP-архитектуры на PyTorch: multi-task learning, knowledge distillation, model compression. Оптимизирует training через distributed training, gradient accumulation.

Проектирует production RAG-архитектуры: multi-index retrieval, agentic RAG, self-reflective RAG. Оптимизирует quality через advanced reranking, query decomposition и citation verification.

Проектирует advanced NLP решения на transformers: adapter-based fine-tuning, model merging, efficient inference. Оптимизирует через quantization, pruning, Flash Attention для production.

Проектирует hybrid NLP-системы, комбинируя LLM API с fine-tuned моделями. Реализует fallback-стратегии между ChatGPT/Claude и локальными моделями для оптимизации качества и затрат.

Проектирует advanced prompt engineering системы для NLP: meta-prompting, automatic prompt optimization, prompt chaining для complex document analysis. Оценивает и итерирует промпты систематически.