Team Lead LLM engineer GenAI

Наша команда (70+ человек) создает технологический фундамент для внедрения GenAI в экосистему банка. Мы разрабатываем RAG-платформу, фреймворк исполнения агентов и системы обработки неструктурированного контента (документы, коммуникации). Наши сервисы оборачивают базовые LLM в готовые интерфейсы, позволяя бизнесу быстро создавать собственных агентов и GenAI-приложения. Мы обеспечиваем полный цикл разработки (E2E): ML-инженеры и бэкенд-разработчики работают вместе над реализацией сервисов, в связке с фронтендом и дизайнерами. У нас есть собственная команда разметки для оценки качества и сбора датасетов, с помощью которых мы дообучаем доменные модели под банковские сценарии. Масштаб задач: Сейчас в портфеле более 200 реализованных сценариев. В планах — реализация еще 300+ сценариев, включая создание слоя процедурной памяти для агентов, специализированных поисковых агентов и систем автоматической оценки качества GenAI (Auto-Eval). Развитие Self-Service инструментов (песочниц с UI), где команды банка могут тестировать гипотезы перед интеграцией. Чем предстоит заниматься Мы ищем инженеров, которым интересно не только R&D, но и создание полноценных продуктовых систем, способных обучаться на пользовательском фидбэке и решать конкретные бизнес-задачи. Обязанности Развитие GenAI сервисов: Создание и улучшение RAG-систем (в т.ч. Agentic RAG), инструментов Agent Observability, сервисов обработки документов обучение моделей: тренировка и дообучение мультимодальных моделей на русском языке (OCR, Embeddings, Rerankers, VLM) MLOps и Data Management: Организация и автоматизация процесса разметки данных (от сбора до контроля качества краудсорсинга) развитие автономных пайплайнов улучшения качества моделей с использованием LLM-as-a-Judge Engineering: релиз новых моделей и сервисов в продуктовые среды. Требования Глубокое понимание LLM: опыт работы с большими языковыми моделями, Prompt Engineering, Fine-tuning LLM/VLM инженерная культура: уверенное владение Python 3, знание ООП, принципов SOLID. Хорошее знание алгоритмов и структур данных. LLM Stack: опыт работы с LangChain, LlamaIndex или другими фреймворками для разработки агентов и мультиагентных систем (MAS) Vibe Coding: умение автоматизировать собственные рутинные процессы с помощью AI-инструментов Mindset: желание постоянно изучать новые SOTA-подходы, модели и технологии. БУДЕТ ПЛЮСОМ: Активный профиль на GitHub с качественным кодом достижения (медали) на Kaggle участие в Open-Source проектах, связанных с LLM/NLP. Условия комфортный современный офис рядом с м. Кутузовская гибридный формат работы корпоративный спортзал и зоны отдыха более 400 образовательных программ СберУниверситета для профессионального и карьерного развития расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа ипотека для сотрудников выгоднее до 4% бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров вознаграждение за рекомендацию друзей в команду Сбера.