ai engineer

Команда строит мультиагентную систему глубокого анализа макроэкономических и финансовых трендов. MVP уже работает на облачной инфраструктуре с внешними моделями (Claude, Perplexity). Сейчас переводят систему на собственные инструменты, модели и источники данных, интегрируют во внутренние контуры банка с соблюдением требований безопасности, IT-гovernанса и финансовых регуляторов.

• Разрабатывать и поддерживать бэкенд-приложения на Python (FastAPI / Django / Flask);
• Оптимизировать производительность сервисов (профилирование, кэширование, асинхронность);
• Интегрировать с внешними API и внутренними БД банка (PostgreSQL, Redis, Kafka и др.);
• Разрабатывать и поддерживать ETL-процессы для финансовых данных;
• Реализовывать специализированных агентов: системные промпты, инструменты, guardrails;
• Настраивать end-to-end RAG: ингестия, препроцессинг, чанкинг, эмбеддинги, гибридный поиск, реранкинг;
• Парсить сложные финансовые документы (Table Transformers, OCR);
• Создавать инструменты для агентов: API для интернет-поиска, коннекторы к БД и RAG;
• Работать с tool-calling, JSON-схемами, обработкой недетерминированного поведения LLM;
• Собирать и развертывать в Docker, Kubernetes;
• Настраивать CI/CD для LLM-сервисов;
• Оценивать качество: golden datasets, LLM-as-judge, детекция галлюцинаций, метрики ретривала.

• 3+ Лет коммерческой разработки на Python с продакшн-деплоем;
• Опыт разработки AI/LLM решений: RAG, AI-агенты (мультиагентные или compound-системы) — как минимум 1 проект в продакшне;
• Продвинутый Python: async, type hints, production-grade код;
• FastAPI / Django / Flask — уверенное владение хотя бы одним;
• SQL и NoSQL (PostgreSQL, Kafka, OpenSearch, ClickHouse);
• Docker, Kubernetes, CI/CD — практический опыт;
• Обработка данных: ETL, Pandas / Polars, работа с большими объёмами;
• LLM API: Claude, GPT, Gemini + базовое понимание self-hosted (LLaMA, Mistral);
• LangGraph, LangChain, LlamaIndex, CrewAI — опыт работы с любым агентным фреймворком;
• Глубокая экспертиза в RAG: dense/sparse retrieval, hybrid search, HyDE, GraphRAG (понимание);
• Будет плюсом ML-библиотеки (PyTorch / TensorFlow) — базовое понимание, опыт оптимизации REST/gRPC API (высокая нагрузка), fine-tuning (LoRA, QLoRA), фреймворки оценки LLM (DeepEval, Ragas), работа с финансовыми документами, регуляторной отчётностью, понимание MCP (Model Context Protocol).

• Ежегодный пересмотр зарплаты, годовая премия;
• 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 выгоднее до 7% для каждого сотрудника;
• Бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров;
• Вознаграждение за рекомендацию друзей в команду Сбера.