# МТС (MWS AI) — AI Tech Lead

## Метаданные

- **Компания:** МТС — MWS AI, часть экосистемы МТС Web Services
- **Вакансия:** AI Tech Lead — hands-on технический лидер AI-направления
- **Продукт:** AI-решения — голосовые ассистенты и чат-боты («ответить на любой вопрос клиента»), компьютерное зрение (распознавание лиц и эмоций)
- **Зона ответственности:** архитектура AI-решений (агенты, RAG, оркестрация), PoC → метрики → прод как командный процесс, evals и observability, версионирование промптов/моделей/датасетов, команда 3–5 AI-инженеров, инженерные стандарты, delivery
- **Стек:** Python (сильный, типизированный, async), LangChain/LangGraph, векторные БД (Milvus, Chroma), LangSmith/LangFuse, RabbitMQ/Kafka, FastAPI; плюсы — vLLM/SGLang, fine-tuning, LLMOps, безопасность LLM (prompt injection, PII)
- **Формат:** **гибридный** (офис 5 минут от м. Таганская, Москва)
- **Вилка:** не указана
- **Опыт:** 3–6 лет
- **Источник:** hh.ru/vacancy/137752507
- **Дата кейса:** 24.09.2026

## Вакансия (выжимка, вербатим ключевых частей)

> MWS AI — часть экосистемы МТС Web Services, где создаются AI-решения будущего. Голосовые ассистенты и чат-боты могут ответить на любой вопрос клиента, а компьютерное зрение — распознавать лица и эмоции.
>
> Мы ищем технического лидера, который отвечает за то, чтобы сложные бизнес-задачи превращались в работающие, масштабируемые AI-решения. Это hands-on роль: вы задаёте архитектуру, принимаете технические решения и несёте за них ответственность, при этом продолжая писать код в ключевых местах системы.
>
> Фокус на решении реальных бизнес-проблем, а не на исследованиях. Нам важно стратегическое мышление: умение быстро собирать PoC, валидировать их на метриках и доводить до продакшена — и выстроить процесс, в котором это делает вся команда, а не один человек.

**Задачи:** проектирование архитектуры AI-решений (агенты, RAG, оркестрация; trade-off'ы перед командой и стейкхолдерами); граница low-code (LangFlow, n8n) vs кастомная разработка; техдизайн-ревью; AI-агенты и copilot-системы (оркестрация, память, планирование, маршрутизация); RAG (индексация, чанкинг, метаданные, гибридный поиск, переранжирование); метрики качества и eval-пайплайны «как обязательная часть разработки»; observability (трейсинг цепочек, мониторинг качества, контроль затрат токенов, quality gates); версионирование промптов/моделей/эмбеддингов/датасетов с rollback; руководство командой 3–5 AI-инженеров (постановка задач, code review, архитектурные сессии, growth planning); инженерные стандарты (тестирование, качество, документация, промпты); внутренняя экспертиза (playbooks, шаблоны, переиспользуемые компоненты); взаимодействие с продуктом/бизнесом; ответственность за delivery.

**Требования:** 3+ года прикладной AI/ML-разработки с фокусом на NLP и LLM; LLM API (промпт-инжиниринг, контекст, streaming); LLM-агенты (ReAct, function calling, chain-of-thought, multi-agent); глубокое понимание RAG (векторный/гибридный поиск, чанкинг, переранжирование, query decomposition); **сильный Python** (типы, unit-тесты, async, ООП); LangChain/LangGraph или аналоги; векторные БД (Milvus, Chroma); LangSmith/LangFuse; микросервисы, очереди (RabbitMQ, Kafka), кэширование; FastAPI; способность объяснить сложные AI-концепции нетехническим стейкхолдерам.

**Плюсы:** развёртывание LLM (vLLM, SGLang, квантизация); fine-tuning и дистилляция; LLMOps (модельный реестр, A/B промптов, continuous evaluation); безопасность LLM (prompt injection, PII filtering, content moderation); AI-платформы/внутренние инструменты; бизнес-метрики и продуктовое мышление.

**Условия:** гибрид, офис у м. Таганская; ДМС с 1 месяца, МТС Premium, компенсация связи, конференции/обучение.

## Наш профиль vs требования

**Совпадает:**

- **Голосовые ассистенты — ядро их продукта:** ✅ прямое попадание. Voice bot Райфа — LangChain с LLM-оркестрацией, от постановки до промышленной эксплуатации, ~7% рутинных обращений клиентов (измеримый эффект). Это ровно «быстро собрать PoC, валидировать на метриках и довести до продакшена».
- **AI-агенты / copilot-системы:** code review агент Самоката — агент на webhook GitLab, встроенный в ежедневную работу разработчиков (copilot-паттерн); доводился по безопасности и производительности (смежно с плюс-требованием «защита от prompt injection»).
- **Инженерные стандарты, playbooks, переиспользуемые компоненты:** Ruby Practice Lead — стандарты код-ревью и матрица компетенций на всю инженерную практику банка.
- **Руководство командой 3–5 AI-инженеров:** с запасом — с 2017 года, с 2023 несколько команд параллельно (18+ Самокат, 20+ Райф); code review, архитектурные сессии, найм, growth (~20 выросших, трое до тимлидов).
- **Микросервисы, очереди, кэширование:** Kafka (Самокат — event-driven, WebSocket-фан-аут), PostgreSQL, Redis, K8s. High-load: Дикси ~1000 RPS.
- **Observability/трейсинг:** есть в опыте (наблюдаемость и трейсинг Райф/Дикси) — смежно с «трейсинг цепочек вызовов, quality gates».
- **Delivery-ответственность:** hands-on лидерство с ownership за delivery (текущая роль в Дикси); запуски продуктов с нуля (Самокат).
- **Объяснение AI нетехническим стейкхолдерам:** HeavyTech Podcast (AI/LLM-тематика), доклады (TechLead Conf, RubyRussia), контент — публичные доказательства.

**Честные гэпы:**

- **Сильный Python — главный фильтр:** primary — Ruby. Python в production не подтверждён; FastAPI/async-Python — нет.
- **Глубокое понимание RAG:** векторные базы (Milvus/Chroma), стратегии чанкинга, переранжирование, query decomposition — направление изучения, не production-опыт. Подтверждено: LLM-оркестрация LangChain, агентная архитектура.
- **LLM-инструментарий:** LangSmith/LangFuse, LangGraph, low-code (LangFlow, n8n) — нет; streaming/функция-calling — только в рамках кейсов.
- **«3+ года прикладной AI/ML»:** подтверждаемый AI-стаж короче (voice bot выведен в 2025, review-агент ~2024–2025). Дословную цифру не заявляем.
- **LLMOps-плюсы:** fine-tuning, vLLM/SGLang, модельный реестр — нет.

## Стратегические расхождения и контекст

1. **Роль = AI-направление пользователя почти дословно:** hands-on AI-лидер (архитектура + код в ключевых местах + команда 3–5), НЕ чистый менеджмент. По AI-профилю — сильнейший фит среди всех кейсов наряду со Сбером AI Head; здесь роль ниже (Tech Lead vs Head), но и hands-on ближе к IC-предпочтению пользователя.
2. **Масштаб команды 3–5 против нашего 18+/20+** — не гэп, но на интервью вероятен вопрос «почему меньший масштаб»: ответ — осознанный сдвиг к hands-on AI, меньше менеджмента, больше архитектуры и кода.
3. **Рубли, вилка не указана** — против цели «валютный доход».
4. **Гибрид Москва (Таганская)** — не чистая удалёнка, но мягче офиса 5/2.

## Оценка шансов

Средние и выше — для AI-трека лучший продуктовый фит: голосовой ассистент в проде с измеримым эффектом = их продукт и их «PoC → метрики → прод». Козыри: agent-кейс (copilot-паттерн), стандарты на уровне всей практики, команды с запасом. Риски: Python-фильтр (жёсткий, как и у Сбера AI Head), RAG-глубина, короткий подтверждаемый AI-стаж, отсутствие LangGraph/LangSmith. Если Python-фильтр проходной — на секции AI-кейсы и продуктовое попадание тянут.

## Центральный тезис письма

> Hands-on AI-лидер, который уже доводит LLM-решения до промышленной эксплуатации с измеримым эффектом (голосовой ассистент ~7%, агент в ежедневной работе разработчиков) и выстраивал инженерные стандарты на уровне всей практики.

## Статус и материалы

- 24.09.2026 — кейс создан; `cover-letter.txt` — сопроводительное для hh (по правилам skill v7.0: hook — голосовой ассистент в проде = их продукт; 3 цифры; 740 знаков; без стек-оговорки и defensive-гэпов).
- Решение об отправке — за пользователем.