Сбер·Москва·7 июля
Data Scientist (LLM & ML) в команду «История операций» СберБанк Онлайн
Ориентир по рынку≈ 337 000 – 362 000 ₽наша приблизительная оценка по 13 вакансиям этой роли и грейда, у работодателя вилка не указана
≈ 4,1 тыс.–4,4 тыс. $
🏢 ОфисMiddleПолная занятостьКорпорация
Стоит ли откликаться
Стоит откликнуться, но спросите про деньги
Вилку работодатель не назвал, но ориентир по рынку есть: он в строке «Деньги». Смущает только, что вакансия висит давно.
2 из 4 в норме
Висит давно: что спросить, чтобы не откликаться в пустоту
Деньги
Сумму в объявлении не указали. Ориентир на созвон: столько платят в 13 похожих вакансиях Data Scientist уровня Middle.
- Кроме оклада: премия. Размер не назван, а от него зависит доход за год.
Живость
Открыта уже 106 дней. Источник её держит, но за таким сроком часто стоит трудный найм или набор в резерв.
- Зарплата не указана
Описание
Обязанности: 5, требования: 5. Понятно, что за работа, ещё до отклика.
- Обещают
- официальное оформление и ДМС
- Известно
- высокие нагрузки
Что требуют
ОбязательноLLMMLPythonPyTorchHugging FaceLangChainCatBoostscikit-learnSQLHive
Надбавка к зарплате на этом уровне: Python +46%, SQL +25%.
Полный разбор в Pro
Это короткий разбор. В Pro полный: под эту вакансию и ваше резюме
Сколько просить
Не продешевите: сумма под ваше резюме, нижняя граница и готовые фразы для торга
Ваше резюме против требований
Пройдёт ли ваше резюме фильтр: что совпало с требованиями и что дописать до отклика
Спросить у работодателя
10 вопросов именно к этой вакансии: что спросить на первом созвоне
Когда откликаться
Стоит ли спешить: за сколько дней Сбер обычно закрывает вакансии
30 дней Pro: полный разбор каждой вакансииЧто ещё входит в Pro
Чем предстоит заниматься
Разрабатывать и внедрять ИИ-агентов (LLM Agents): проектировать логику рассуждений агентов на базе GigaChat, обучать и дообучать модели (Finetuning, LoRA/QLoRA), настраивать вызов внешних инструментов (Tool Calling, API, SQL-скрипты) под задачи банкинга
Проектировать и обучать классические ML-модели: разработать точечную ML-модель для анализа транзакционных и табличных данных (классификация, кластеризация или скоринг) для обогащения контекста агента
Строить RAG-системы: проектировать архитектуру контекстного поиска ответов по сложным финансовым логам, чекам и документам пользователя
Анализировать и дорабатывать корзину запросов: оценивать результаты ответов агентов на предмет качества и ошибок, согласовывать метрики (Guardrails, Ragas), защищать подходы перед бизнесом и показывать ценность данных на понятном языке
Обеспечивать надёжность и оптимизировать воркфлоу: минимизировать задержки (latency) ответов, настраивать мониторинг внедрённых решений и контролировать траекторию поведения агента, полностью исключая галлюцинации в продакшене
Наши требования
Имеет опыт в LLM от 2-3 лет: запускал языковые модели в продакшн (Transformers, BERT, GPT-подобные архитектуры)
Мастерски владеет Python: знает библиотеки PyTorch, Hugging Face, LangChain, LlamaIndex
Понимает специфику работы с LLM: умеет эффективно настраивать Prompt Engineering, оптимизировать инференс (vLLM, TensorRT-LLM) и оценивать качество генерации (Ragas, TruLens)
Обладает базой в классическом машинном обучении: понимает алгоритмы Classic ML, умеет работать с табличными данными и признаками (CatBoost / LightGBM / Scikit-learn)
Дружит с Big Data: уверенно пишет сложные запросы на SQL (Hive/Spark) для подготовки датасетов
Мы предлагаем
Масштаб и влияние: ваш код и обученные модели будут работать в смартфонах каждого второго жителя страны
Топовый стек и ресурсы: доступ к мощным суперкомпьютерам Сбера для обучения крупнейших моделей
Минимум бюрократии: мы работаем по гибким методологиям внутри сильного DS-сообщества
Забота и бенефиты: конкурентная белая зарплата, годовые бонусы, ДМС
Тренажерный зал (работает даже сейчас)
Современный IT-офис с пуфами, игровыми зонами и т.д.
Умопомрачительные виды на Москву
Дополнительно
«История операций» — это один из самых высоконагруженных и посещаемых экранов в приложении. Наша цель — превратить сухие строчки чеков в умную, интерактивную ленту. Мы внедряем LLM, чтобы пользователь мог общаться со своими финансами на естественном языке, получать моментальные умные инсайты, автоматические теги и персонализированную аналитику расходов
Мы против мошенников на площадке: если тебя просят заплатить, продиктовать код или установить непонятное приложение, прекращай общение и сразу пиши нам (чат с основателем или форма обратной связи).