Специалист по внедрению ИИ at ПК AKASHI Data Center PLC — NeverHard

Мы — Tier IV дата-центр под управлением Freedom Holding. Внутри компании автоматизируем процессы с помощью AI: уже работает бот для подготовки документов Правления, на подходе AI-агент для комплаенс-проверки контрагентов, дальше — юристы, HR, финансы. Мы ищем человека, который умеет смотреть на корпоративную боль и решать её софтом. Не учёного. Не ML-теоретика. Прагматика-исследователя, который собирает рабочие решения с помощью современных AI-инструментов разработки — Claude Code, Cursor — и доводит до того, что ими начинают пользоваться. Если ты любишь копаться в задаче, читать документацию по новому инструменту вечером, собирать прототипы за день вместе с AI-ассистентом и видеть, как твоё решение реально кому-то помогает — нам по пути. Чем предстоит заниматься Разговаривать с людьми и находить боли Сидеть с комплаенс-офицером, секретариатом Правления, юристами, HR. Слушать, что у них съедает время. Переводить «у меня каждый понедельник три часа уходят на одно и то же» в техническую постановку. Отличать боли, которые действительно стоит автоматизировать, от тех, которые проще пережить. Собирать решения с помощью AI-инструментов Кодить вместе с Claude Code и Cursor. Это твой основной способ работы — не «иногда подсматриваю в ChatGPT», а полноценное парное программирование с AI-ассистентом. Под каждую задачу искать, какой инструмент подходит лучше всего: LLM API, агентные фреймворки, no-code (n8n, Make, Zapier), Telegram-боты, парсеры открытых данных. Готовое лучше собственного, если работает. Собирать прототипы быстро. Если за день не получилось показать что-то рабочее — это сигнал переосмыслить подход. Доводить до прода Между «работает на ноутбуке» и «работает у пользователей каждый день» — большая часть работы. Эта часть тоже на тебе. Думать про надёжность, обработку ошибок, мониторинг расходов, удобство для конечного пользователя. Внедрять Human-in-the-Loop там, где решение должно остаться за человеком. ИИ предлагает, форматирует, скринит — человек подтверждает. Поддерживать и развивать Слушать обратную связь, чинить, улучшать. Решение живёт после релиза. Показывать руководству результаты — на цифрах, а не «вроде работает». Какие задачи реально стоят Чтобы ты понимал масштаб и характер работы, вот несколько реальных пунктов из ближайшего бэклога: Расширить бот подготовки документов Правления: сейчас он стандартизует пояснительные записки в Telegram и собирает .docx. Следующие фазы — автогенерация протоколов и выписок, извлечение задач из решений, интеграция с Jira и Documentolog. Сделать AI-агента для первичного анализа контрагентов: вводишь БИН — на выходе структурированное заключение со ссылками на источники (открытые реестры, санкционные списки, судебные дела) и рекомендацией зелёный / жёлтый / красный. Автоматизация HR-процессов и бухгалтерских рутин — конкретные кейсы соберём с владельцами. AI-инструменты для юристов: анализ договоров на соответствие шаблонам, поиск рисковых формулировок. Внутренние ассистенты и быстрые автоматизации, которые возникают каждую неделю «а можно сделать так, чтобы…» . Кого ищем Обязательные требования 1. Активно используешь AI-инструменты разработки Claude Code или Cursor — твой основной рабочий инструмент. Не «попробовал пару раз», а реально кодишь в этой парадигме каждый день. Умеешь правильно ставить задачу AI-агенту: давать контекст, разбивать на шаги, итерировать. Это отдельный навык, и у тебя он есть. Понимаешь, где AI-ассистент сильный, а где его надо контролировать — не отдаёшь ему чувствительную логику без проверки. В сопроводительном письме готов рассказать конкретно, как ты с этими инструментами работаешь. 2. Умеешь ресерчить Сталкиваясь с незнакомой задачей или инструментом, не пасуешь — копаешь, читаешь, пробуешь. Любопытство — главное топливо в этой работе. Самостоятельно разбираешься в новых сервисах и API без курсов и менторов. 3. Умеешь решать боли софтом Видишь задачу — представляешь, как её можно автоматизировать. Не ждёшь идеального ТЗ, чтобы начать. Доводишь до результата. Прототип → демка → прод — пройдёшь весь путь, не бросишь на полпути. Можешь разговаривать с людьми из бизнеса. Не требуешь, чтобы тебе всё «положили на стол готовое». 4. Базовый инженерный фундамент Уверенно пишешь код — питон в первую очередь. Понимаешь, что ты пишешь (или что пишет AI-ассистент), а не просто копируешь. Хотя бы один реальный проект с LLM API, доведённый до пользователей. Не «прошёл курс по промпт-инжинирингу». Работал с базовыми кирпичами: REST API, webhooks, Telegram Bot, Google Workspace / Microsoft 365 — что-то из этого делал. Git, Docker — стандартная гигиена. Чего НЕ требуем Чтобы было понятно — мы решаем прикладные задачи готовыми инструментами, поэтому НЕ нужно: Знать теорию машинного обучения, NLP, устройство трансформеров и архитектуру LLM изнутри. Мы используем готовые модели через API, а не обучаем свои. Уметь тренировать модели с нуля или делать fine-tuning. Computer Vision — у нас нет таких задач. Академический бэкграунд, PhD, публикации. Опыт с PyTorch, TensorFlow, классическим ML-стеком. Если в твоём резюме нет ни одного из этих пунктов — это не минус. Скорее всего, наоборот. Будет большим плюсом Понимание стоимости вызовов LLM как инженерной метрики — выбор модели под задачу (Haiku вместо Sonnet там, где хватит), prompt caching, лимиты на токены. Если пока этим не занимался — научишься, главное — не считать это «не своим делом». Опыт работы с no-code/low-code инструментами автоматизации (n8n, Make, Zapier). Опыт в стартапе или фаундерский опыт — там обычно учатся решать задачи целиком. Опыт работы с локальными LLM (Ollama и аналоги). Опыт с doc-intelligence: парсинг PDF, извлечение полей из документов. Казахский язык.