Сбер·Москва·4 авг.
ML-инженер / инженер данных (Middle)
🏢 ОфисJuniorПолная занятость
62
Хорошие условия
Навык востребован (Python), за такой навык на рынке платят больше. Но вилки нет, про деньги придётся договариваться с нуля.
Наша компания
Наша команда занимается разработкой внутренних сервисов для разработчиков. Это коллаборативная платформа для организации разработки, портал баз знаний и интерактивным ассистентом, помогающий проходить весь путь разработки продукта от идеи до внедрения. Сейчас мы активно внедряем ИИ в различные сценарии использования продуктов.
Чем предстоит заниматься
Проектирование и поддержка ETL/ELT-процессов для данных под RAG: сбор, очистка, нормализация, чанкинг, генерация эмбеддингов
Создание AI-агентов (в том числе мульти-агентных систем)
Разработка и поддержка Python-сервисов
Работа с «сырыми» данными из внутренних систем Сбера (wiki, тикеты, логи, код) — их структурирование и подготовка для LLM
Исследование и подготовка данных для обучения моделей, adhoc
Тестирование собственного кода и ревью чужого
Наши требования
Опыт разработки AI-агентов (в том числе мульти-агентных систем) с использованием библиотек оркестрации (LangGraph, LangChain, AutoGen, CrewAI)
Понимание и практическое применение MCP протокола (Model Context Protocol) для интеграции агентов с внешними инструментами и сервисами
Глубокое знание RAG (Retrieval-Augmented Generation): построение пайплайнов индексации, продвинутые техники ретрива (HyDE, self-query, reranking), работа с чанкингом и эмбеддингами
Опыт работы с LLM через API и локально: системные промпты, few-shot, инструменты (function/tool calling), потоковая обработка (streaming)
Хорошее знание Python (асинхронное программирование, типизация, dataclasses/Pydantic) для разработки сервисов на базе агентов
Git, Docker (сборка образов, композ, работа в облачном окружении)
Графовые базы данных
Опыт подготовки неидеальных, «живых» данных — парсинг, дедупликация, обработка мусора, нормализация текста из разных источников (Markdown, Confluence, Jira, код-базы)
Понимание метрик качества данных для RAG — полнота, связность чанков, релевантность эмбеддингов, затраты на индексацию vs качество retrieval
Готовность копаться в логах и трейсах агента, чтобы понять, почему он плохо находит нужный контекст (и исправить это на уровне данных или промпта)
Python, Postgres, LangChain, OpenSearch. Код в Bitbucket, трекер JIRA, CI/CD Jenkins, закатываем в Docker, деплоим в облако
Мы предлагаем
Официальное трудоустройство согласно ТК РФ
Белая заработная плата (оклад + годовая премия)
Возможность обучения за счет компании
Страхование (от несчастных случаев, ДМС)
График работы: 5/2 (офис или гибрид)
Оздоровительные программы для детей сотрудников
Дисконт-программы от компаний партнеров (фитнес, страхование, туризм)
Льготное кредитование, ипотека
Экспертная и талантливая команда, у которой можно многому научиться
Культура открытости и взаимовыручки: наша команда состоит из людей, вовлеченных в процесс и не безразличных к тому, что они делают
Высокая скорость процессов и возможность быстро увидеть свой вклад
Возможность влиять на процесс и результат
Адрес: БЦ Даниловский Форт., М. Тульская / Нагатинская / Верхние Котлы
Сбер
Москва
ГрейдJunior
ЗанятостьПолная занятость
РегионРоссия
ФорматОфис
ИсточникСкрыто
Опубликовано4 авг.
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).