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. Место работы: г Москва Требуемый опыт: От 3 до 6 лет Обязанности: * 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. 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. 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. Условия: * 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.