Команда развивает AI-трансформацию блока «Финансы». Наши решения работают с задачами ценообразования на портфельном и индивидуальном уровне, единых трансфертных ставок банка, бизнес-планирования и других финансовых процессов. Мы строим GenAI Harness - среду для хореографии AI-агентов, где AI-инициатива проходит путь от гипотезы до production за сутки. Вместо жёстко заданного workflow агенты передают задачи между этапами, проверяют результаты друг друга и выбирают следующую роль в зависимости от контекста. Цель: production-grade multi-agent system, в которой RAG, LLMOps, evals, observability, безопасность, Big Data и контролируемый вывод в production собраны в единый контур. Как устроено взаимодействие агентов Zero-sum механики: агенты конкурируют между альтернативными решениями, критикуют и перепроверяют результаты, помогая выбрать наиболее сильный вариант. Positive-sum механики: специализированные агенты кооперируются и передают задачи на разных этапах, чтобы совместно получить результат, недоступный отдельному агенту. Технологический стек Python, FastAPI, LangChain, LangGraph, PostgreSQL, Elasticsearch, Spark, Pandas, NumPy, PyTorch, Bitbucket, Git.Обязанности разрабатывать и внедрять AI-агентов на базе больших языковых моделей с использованием Python, LangChain и LangGraph проектировать логику работы, взаимодействия и передачи задач между агентами в сценариях конкуренции и кооперации создавать и оптимизировать RAG-системы для повышения точности, устойчивости и полезности ответов проводить сравнительные эксперименты с подходами к применению LLM и интерпретировать их результаты проектировать, тестировать и оптимизировать промпты для LLM-моделей. дообучать NLP-модели и работать с NLP-пайплайнами. выводить модели и сервисы в production, сопровождать их и участвовать в развитии LLMOps-контура разрабатывать API для выводимых моделей и агентных сервисов разрабатывать и поддерживать систему оценки качества (evals) агентов и RAG-пайплайнов: датасеты, метрики, LLM-as-a-judge, регрессионное тестирование промптов настраивать наблюдаемость (observability) LLM-сервисов: логирование, трейсинг цепочек вызовов, мониторинг качества, латентности и стоимости. Требования практический опыт разработки на Python от 2 лет, включая асинхронные сервисы и веб-фреймворки, в том числе FastAPI практическое владение методиками Prompt Engineering и опыт внедрения LLM-моделей практический опыт с LangChain, LangGraph или аналогичными фреймворками для построения агентных систем понимание принципов NLP и опыт работы с NLP-пайплайнами. уверенное владение инструментами анализа и обработки данных: Pandas, NumPy хорошее понимание устройства больших языковых моделей и влияния структуры промптов на качество ответов знания в области математики, базовой статистики и Data Science для проверки гипотез и интерпретации экспериментов способность быстро осваивать новые концепции, критически оценивать данные и ясно обосновывать решения опыт построения RAG-систем: эмбеддинги, векторный поиск (например, pgvector, FAISS, Qdrant, Elasticsearch), стратегии чанкинга и ре-ранжирования опыт оценки качества LLM-систем (evals): подготовка датасетов, offline/online-метрики, LLM-as-a-judge, регрессионное тестирование промптов опыт работы со structured outputs и function calling (Pydantic, JSON Schema), интеграции LLM с внешними инструментами (tool use / MCP) навыки написания тестов (pytest) и поддержания качества кода; понимание базовых практик CI/CD и код-ревью опыт интеграции с облачными сервисами и работы с контейнерами: Docker, Kubernetes английский язык на уровне уверенного чтения технической документации. Будет плюсом знание SQL, умение писать эффективные запросы и оптимизировать производительность баз данных; знание Spark продвинутые навыки работы с Git навыки работы с Linux опыт работы с инструментами наблюдаемости LLM-приложений: Langfuse, LangSmith, OpenTelemetry опыт дообучения и оптимизации LLM: PyTorch, PEFT/LoRA, квантизация, инференс-фреймворки (например, vLLM) понимание безопасности LLM-приложений: защита от prompt injection, работа с чувствительными данными (PII), guardrails. Условия комфортный современный офис рядом с м. Ленинский проспект возможность выбрать удобный график – офис/гибрид ежегодный пересмотр зарплаты, квартальная и годовая премия (премия указывается в зависимости от должности и системы премирования) корпоративный спортзал и зоны отдыха более 400 образовательных программ СберУниверситета для профессионального и карьерного развития программа адаптации и помощь руководителя на старте (для вакансий уровня Junior) расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ подписка Прайм с возможностью совместного использования на трёх близких вознаграждение за рекомендацию друзей в команду Сбера.
Похожие вакансии