AI Data Engineer (кредитные агенты на базе LLM)

Мы - команда разработки кредитных агентов на базе большой языковой модели. В команде открыта роль аналитика больших данных. У роли есть два основных фокуса:

·      бизнес-анализ — глубокое понимание кредитных процессов, чтобы точно знать, какие диалоги нужны системе для обучения

·      конструирование обучающих диалогов — превращение разрозненной текстовой информации в релевантный, сбалансированный датасет.

Бизнес-анализ

·      погружение в домен: изучение кредитных процессов, регламентов, продуктовой документации; интервью с экспертами по кредитованию

·      карта сценариев: построение intent-map и user journeys — какие задачи пользователь решает с ассистентом, где чаще ошибается

·      приоритизация: определение ценных/частотных/рискованных сценариев; фокус датасета на них

·      выявление пробелов: анализ логов диалогов и тикетов поддержки — где ассистент проваливается, что не покрыто; постановка задач на дозаготовку сэмплов

·      связь «бизнес → данные → метрика»: перевод требований бизнеса в измеримые требования к датасету; защита покрытия сценариев

·      артефакты: требования, схемы процессов, каталог намерений (Jira, Confluence).

Дата-анализ: подготовка диалогов

·      сбор и синтез: извлечение диалогов из документации, БЗ, FAQ, тикетов, логов реальных обращений, переписок поддержки

·      проектирование сценариев: явные и размытые запросы, оговорки, смена намерения, цепочки вызовов инструментов, ошибки и отказы (negative/refusal cases)

·     синтетическая генерация: prompt-шаблоны для LLM-генерации диалогов; контроль качества (дедупликация, разнообразие, отсутствие PII)

·      методология: гайды по разметке, критерии приёмки; обучение группы разметчиков (при наличии)

·      оценка влияния: bad-case-анализ, итеративное улучшение датасета под ошибки системы.

·      бизнес-анализ от 2 лет: интервью, моделирование процессов (BPMN/UML), написание требований

·      LLM/ML Data от 1 года: разметка, синтез датасетов (SFT, RLHF/DPO)

·      понимание tool calling / function calling и агентных сценариев

·      рython для работы с датасетами: JSONL/parquet, pandas, регулярки, скрипты генерации/валидации

·      умение переводить между «языком бизнеса» и «языком данных».

Будет плюсом

·      анализ диалоговых логов / conversational analytics

·      опыт в чат-ботах, голосовых и корпоративных ассистентах

·      SQL, витрины, продуктовые метрики

·      RAG, LLM-as-a-judge, pairwise-оценки.

·      комфортный современный офис рядом с м. Кутузовская

·      ежегодный пересмотр зарплаты, годовую премию

·      корпоративный спортзал и зоны отдыха

·      уникальная система обучения Сбера для профессионального и карьерного развития

·      расширенный ДМС и льготное страхование для семьи

·      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

·      корпоративная пенсионная программа.