AI инженер / GenAI инженер (Middle)

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

• Zero-sum механики: агенты конкурируют между альтернативными решениями, критикуют и перепроверяют результаты, помогая выбрать наиболее сильный вариант.

• Positive-sum механики: специализированные агенты кооперируются и передают задачи на разных этапах, чтобы совместно получить результат, недоступный отдельному агенту.

Технологический стек

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

• 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.

• 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.

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 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.

• 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.