AI инженер / GenAI инженер (Middle)

🏢 ОфисMiddleПолная занятостьКорпорация

Зарплата не указана

Есть о чём спросить

Навык востребован (Python), за такой навык на рынке платят больше. Но вилки нет, про деньги придётся договариваться с нуля.

Нажмите на сигнал, чтобы увидеть, на чём он основан

Чем предстоит заниматься

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

Наши 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

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

Мы предлагаем

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

Дополнительно

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

Технологический стек

Python, FastAPI, LangChain, LangGraph, PostgreSQL, Elasticsearch, Spark, Pandas, NumPy, PyTorch, Bitbucket, Git