ml инженер финансовых процессов

Команда развивает AI-трансформацию блока «Финансы». Решения применяются для ценообразования на портфельном и индивидуальном уровне, расчёта единых трансфертных ставок банка, бизнес-планирования и других финансовых процессов.

Команда строит GenAI Harness — среду для хореографии AI-агентов, где AI-инициатива проходит путь от гипотезы до production за сутки. В системе агенты передают задачи между этапами, проверяют результаты друг друга и выбирают следующую роль в зависимости от контекста.

• 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 агентов и RAG-пайплайнов: датасеты, метрики, LLM-as-a-judge, регрессионное тестирование промптов;
• Настраивать наблюдаемость LLM-сервисов: логирование, трейсинг цепочек вызовов, мониторинг качества, латентности и стоимости.

• 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, стратегии чанкинга и ре-ранжирования;
• Опыт оценки качества LLM-систем: подготовка датасетов, offline- и online-метрики, LLM-as-a-judge, регрессионное тестирование промптов;
• Опыт работы со structured outputs и function calling, интеграции LLM с внешними инструментами;
• Навыки написания тестов с 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 Langfuse, LangSmith и OpenTelemetry, опыт дообучения и оптимизации LLM с PyTorch, PEFT/LoRA, квантизацией и инференс-фреймворками, понимание безопасности LLM-приложений.

• Комфортный современный офис рядом с м. Ленинский проспект;
• Возможность выбрать удобный график — офис/гибрид;
• Ежегодный пересмотр зарплаты;
• Квартальная и 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;
• 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.