AI, данные и инженерия
NLP Engineer
NLP Engineer — это инженер, который обучает и дообучает языковые модели под задачу продукта, когда готовой LLM не хватает точности, скорости или приватности.
Также называют: Natural Language Processing Engineer, NLP Scientist, Applied NLP Engineer, NLP Research Engineer, Computational Linguist.
Кто такой NLP Engineer и чем он занимается?
NLP Engineer — это инженер, который строит системы для работы с текстом на уровне моделей: обучает и дообучает языковые модели, собирает текстовые данные и измеряет качество на конкретной задаче. Сейчас многие текстовые задачи решаются запросом к готовой LLM, и NLP Engineer нужен там, где этого не хватает. Типичные задачи:
- дообучает языковые модели под домен и язык, дистиллирует большие модели в маленькие и быстрые;
- строит классификацию, извлечение сущностей, поиск и ранжирование текстов;
- собирает и чистит текстовые корпуса, организует разметку;
- работает с языками, на которых готовые модели слабы, и с узкой терминологией: медицина, право, финансы;
- сравнивает свою модель с готовой LLM по качеству, задержке и цене и защищает выбор цифрами.
Когда компании нужен NLP Engineer?
NLP Engineer нужен, когда текст — ядро продукта, а готовая LLM по API не подходит по точности, цене, задержке или требованиям к данным. Типичные ситуации: миллионы документов в день, где вызывать большую модель на каждый слишком дорого; закрытый контур, где данные нельзя отдавать внешнему провайдеру; язык или домен, в котором готовые модели ошибаются. Роль не сработает, если задачу решают промпты и RAG над готовой моделью и обучать ничего не нужно: тогда нанимают AI / LLM Engineer.
Чем NLP Engineer отличается от AI / LLM Engineer?
NLP Engineer отличается от AI / LLM Engineer тем, что работает на уровне модели, а не продукта вокруг неё: он обучает, дообучает и сжимает языковые модели, а AI / LLM Engineer собирает продукт на готовых через промпты, RAG и агентов. От ML Engineer его отличает специализация на тексте: токенизация, особенности языков, оценка качества на естественном языке.
NLP Engineer и смежные роли: сравнение
| NLP Engineer | AI / LLM Engineer | ML Engineer | |
|---|---|---|---|
| Отвечает за | Языковые модели под задачу | Продукт на готовых LLM | Модели на любых данных |
| Главный результат | Модель точнее, быстрее или дешевле готовой | Работающая LLM-фича | Модель в продакшене |
| Основной инструмент | Обучение, дообучение, дистилляция | Промпты, RAG, агенты, evals | Пайплайны обучения и сервинга |
Почему NLP Engineer сложно нанять?
NLP Engineer сложно нанять, потому что за несколько лет рынок разделился на тех, кто работал с текстом до LLM, и тех, кто пришёл уже в эпоху LLM, а компании обычно нужен человек, который понимает и то и другое.
- Многие сильные специалисты сменили тайтл на AI Engineer или LLM Engineer, и поиск по старому названию их не находит.
- Обратная проблема: многие AI Engineers работали только с API и не обучили ни одной модели, а по резюме это не различить.
- Опыт с конкретным языком или доменом, например с медицинскими или юридическими текстами, встречается редко.
Что выяснить до найма NLP Engineer?
- Достаточно ли готовой LLM? Если да, нужен AI / LLM Engineer, а NLP Engineer останется без задач по обучению и уйдёт.
- Какой язык и какой домен? Опыт с английскими корпоративными текстами не переносится сам собой на другой язык или на медицинские записи.
- Что важнее: цена, задержка или приватность данных? От ответа зависит, нужен опыт дистилляции, оптимизации или развёртывания моделей в закрытом контуре.
Где искать NLP Engineer?
NLP Engineers чаще всего приходят из поисковых компаний и маркетплейсов (поиск, ранжирование, модерация), legal tech и medtech с обработкой документов, компаний машинного перевода, голосовых ассистентов и чат-ботов. Сильный сигнал — модель, которую человек сам обучил или дистиллировал под продуктовую задачу, и честное сравнение с готовой LLM по качеству и цене. NEWHR ищет таких кандидатов по результатам работы, а не по откликам на вакансию.
Как проверить NLP Engineer на интервью?
NLP Engineer проверяют разбором текстовой модели, которую кандидат довёл до продакшена, и техническим кейсом, где он выбирает подход для задачи компании: промпт к готовой LLM, дообучение или своя модель. Со стороны компании участвуют ML Lead или ведущий инженер команды, а для продуктовой задачи — Product Manager.
Сильные сигналы:
- сначала проверяет, решает ли задачу готовая LLM, и только потом предлагает обучать;
- рассказывает, как собирал и проверял данные, а не только какую архитектуру выбрал;
- сравнивает варианты по качеству, задержке и стоимости на конкретных числах.
Красные флаги:
- предлагает обучать свою модель там, где хватает промпта;
- не работал с LLM и считает их модой;
- не может объяснить, как измерял качество на тексте, кроме общей accuracy.
Сколько длится поиск NLP Engineer?
Первых кандидатов на роль NLP Engineer показываем через 5–7 дней после брифа.
Смежные роли
- AI / LLM Engineer — первый найм для большинства текстовых фич; NLP Engineer нужен, когда промптов к готовой модели уже не хватает.
- ML Engineer — подходит, если текст лишь небольшая часть продукта, а основные модели работают на поведенческих и табличных данных.
- Evals Engineer — придумывает, по каким критериям оценивать ответы текстовой модели, а NLP Engineer улучшает модель по этим оценкам.
- Voice AI Engineer — отвечает за звук и задержку в голосовом разговоре; текстовые модели NLP Engineer могут работать внутри его цепочки.