Мы строим корпоративную систему управления знаниями нового поколения на основе мультиагентной GenAI-архитектуры. Система обеспечивает сотрудникам интеллектуальный доступ к корпоративным знаниям через чат-интерфейс и веб-поверхности, формирует персональные рекомендации контента и автоматизирует работу с неструктурированной информацией.

Техническая основа – мультиагентная система, интегрированная с реляционными и документальными БД, S3-хранилищем документов, корпоративным RAG-сервисом, OCR-системой и другими внутренними АС банка. Разработка ведется на корпоративной микросервисной платформе с выделенным AI-агентным фреймворком.

Это продуктовая разработка с нуля с длинным горизонтом.

Обязанности

  • Разработка и настройка логики агентов с учётом ролевой модели пользователей и источников данных
  • подготовка и предобработка данных из корпоративных АС банка для обучения и дообучения моделей
  • интеграция с корпоративным RAG-сервисом: настройка retrieval-пайплайнов, оптимизация индексов
  • отладка логики агентов, работа с пользовательской обратной связью, итеративное улучшение
  • повышение качества ответов: оценка метрик, выявление деградаций, работа с качеством источников информации
  • эксперименты с prompt engineering, fine-tuning и методами улучшения релевантности

Требования

  • Опыт работы в роли ML-инженера от 3 (трех) лет в проектах по разработке и/или модификации и/или внедрению ИИ решений и ПО с использованием Python
  • опыт разработки ИИ-агентов и чат-ботов; опыт работы с агентными фреймворками: LangChain, LangGraph или аналоги
  • понимание NLP-методов: классификация, извлечение сущностей, семантический поиск, embeddings, summarization
  • опыт работы c LLM (OpenAI, Qwen, GigaChat или аналоги)
  • понимание RAG-архитектур и принципов векторного поиска
  • prompt engineering – структурирование промптов, chain-of-thought
  • опыт подготовки и очистки данных (pandas, spark или аналоги)
  • понимание метрик качества NLP-систем (precision, recall, NDCG и т.п.)

**Будет преимуществом:**

  • опыт оценки качества генеративных ответов (RAGAS, TruLens и т.п.)
  • векторные БД: Chroma, Weaviate, pgvector или аналоги
  • опыт работы с корпоративными данными (банк, ERP, CRM)
  • SQL
  • опыт дообучения (fine-tuning) языковых моделей

Условия

  • офисный или гибридный формат в Москве
  • ежегодный пересмотр зарплаты и годовая премия
  • расширенный ДМС и льготное страхование для семьи
  • уникальная система обучения Сбера для профессионального и карьерного развития
  • выгодная ипотека для сотрудников
  • бесплатная подписка СберПрайм+, скидки на продукты компании-партнёров
  • вознаграждение за рекомендацию друзей в команду Сбера
  • корпоративная пенсионная программа.