Data Science (LLM/RAG)

Мы — ML-команда коммерческого и операционного департамента. Наша цель — напрямую влиять на ключевые бизнес-метрики с помощью моделей машинного обучения и разрабатывать LLM-продукты, которые сокращают ручную работу и встраиваются в процессы продаж, поддержки и маркетинга.

Основные направления работы:

• категоризация обратной связи пользователей,
• uplift-моделирование для оптимизации работы отдела продаж,
• модели матчинга клиентов для задач конкурентного анализа.

Каждый инженер в команде работает автономно со своим продуктом и своими заказчиками — от постановки задачи до внедрения в прод и оценки эффекта.

Мы ищем ML-инженера под новое направление — внедрение LLM-решений в продукты для техподдержки, продаж и маркетинга.

Чем предстоит заниматься

• Работать с текстовыми представлениями: BERT-like модели для классификации/representation learning, эксперименты с архитектурами и лоссами.
• Строить решения на основе LLM, RAG, агентных систем: саммаризация и классификация обратной связи пользователей, ИИ-ассистенты, чатботы для техподдержки и продаж.
• Вести полный цикл разработки ML-решений: постановка задачи с заказчиком, сбор и подготовка данных, обучение моделей, деплой в production, оценка решения, A/B-тесты и анализ результатов.
• Улучшать ML-инфраструктуру и пайплайны.
• Выступать техническим лидом в рамках своих задач: предлагать архитектурные решения, декомпозировать сложные задачи, задавать план экспериментов.

Требования:

• Уверенное владение Python с классическим ML-стеком.
• Пишешь качественный и поддерживаемый код.
• Уверенное знание мат. статистики. Умеешь работать с метриками и A/B-тестами.
• Глубокое понимание трансформеров и прикладной опыт: знание BERT-like архитектуры, опыт обучения/дообучения небольших трансформерных моделей, representation learning.
• Практический опыт работы с LLM: проектирование промптов и цепочек, structured output, надёжность и обработка ошибок, умение выстраивать процесс оценки качества LLM-решений (метрики, human eval, LLM-as-judge).
• Практический опыт построения RAG-систем, агентных систем.
• Опыт интеграции LLM-решений в production.

Будет плюсом:

• Опыт fine-tuning моделей (LoRA / PEFT).
• Опыт построения датасетов и разметочных пайплайнов для LLM-задач.
• Опыт оптимизации инференса (quantization, distillation).
• Опыт uplift-моделирования.

Условия:

• Возможность выбора места работы: удаленно или из офиса.
• Гибкий график рабочего дня.
• Оформление в соответствии с ТК РФ, «белая» заработная плата, выплачиваемая точно в срок.
• Корпоративное ДМС с первого месяца работы (решаем вопросы со здоровьем быстро и удобно).
• Возможность профессионального развития, обучение за счет компании, участие в специализированных конференциях.

Чем предстоит заниматься

• Внедрение моделей машинного обучения.
• Сопровождение полного цикла сборки модели.
• Обработка и анализ данных.
• Поддержание коммуникаций с разработчиками моделей.
• Проработка архитектуры моделей.
• Тестирование и участие в разработке пайплайнов внедрения моделей.

Наши пожелания к кандидатам

• Опыт работы в стеке от 3-х лет.
• Ключевой стек: Python, Airflow/Argo WorkFlow, MLflow, Hadoop, PySpark, Kafka, Seldon/Kserve, Kubernetes, Jenkins.
• Опыт работы с моделями машинного обучения.
• Опыт внедрения моделей машинного обучения как сервисы.
• Опыт бэкенд-разработки, веб-разработки.
• Опыт разработки с LLM, NLP-моделями.
• Опыт с Docker, Kubernetes.

Что мы предлагаем

• Стабильный и прозрачный доход: размер заработной платы обсуждается по итогам собеседования.
• Удаленный формат работы.
• Сложные и интересные задачи, современный стек технологий.
• Возможность вертикального и горизонтального карьерного роста: регулярно проходят тренинги, вебинары, митапы и демо-дни.
• Доступ к бесплатным корпоративным библиотекам Alpina Digital, MyBook и бизнес-изданиям.
• Предложения от Банка только для сотрудников: собственный спортзал, а также скидки на услуги туристических агентств, продукты питания, в рестораны, бары, магазины.
• Работа у трижды лучшего работодателя РФ по версии hh.ru, Forbes, РБК.
• Программа развития ИИ-грамотности: треки по работе с нейросетями от базового до продвинутого уровня.