Senior/Lead ML Engineer (Операционный центр)
вакансия от 01.04.2026Зарплата от 0 руб
Работодатель: СБЕР
Показать контакты
Показать контакты
График работы: Полный рабочий день
TVtoken
Дополнительный заработок в свободное время за просмотр обзоров товаров и услуг. Получай деньги на карту! Никаких вложений, кроме 5 минут в день вашего времени!
Должностные обязанности
Наша команда занимается развитием ИИ-агентов Операционного центра Банка — высоконагруженных систем, которые ежедневно обрабатывают десятки тысяч реальных банковских операций. Мы не просто запускаем агентов в прод — мы строим инфраструктуру, которая делает их умнее с каждым циклом. Сейчас мы разрабатываем ИИ-Тренер — инструмент автоматической оптимизации промтов и поведения ИИ-агентов на основе анализа трейсов, разметки операторов и оффлайн-обучения. Это не академическая задача — результаты работы системы напрямую влияют на качество операционных процессов банка. Обязанности Проектировать и разрабатывать компоненты пайплайна оптимизации: от загрузки трейсов из корпоративной аналитической платформы до генерации и оценки кандидат-промтов Реализовывать алгоритмы подбора few-shot примеров из верифицированных трейсов с учётом ограничений контекстного окна и стоимости вызова LLM Строить механизм извлечения текстовых правил (процедурная память) из паттернов ошибок агента с использованием GigaChat-2-Max Разрабатывать offline-эвалюатор кандидат-промтов на отложенной выборке с приоритетом свежих данных Интегрировать инструмент с существующей корпоративной аналитической платформой (КАП) через механизм подписки на данные Участвовать в проектировании релизного процесса: от отчёта команде разработки агента до A/B-тестирования на продовом трафике Работать в двухнедельном batch-цикле, обеспечивая стабильную работу пайплайна на объёмах 10 000–20 000 задач в день Требования 5+ лет коммерческого опыта в ML/NLP, в том числе с LLM в production-среде Глубокое понимание архитектур LLM-агентов: ReAct, Plan-and-Execute, Tool Use, RAG Уверенный Python: async/await, Pydantic, SQLAlchemy 2.0, FastAPI Практический опыт с LangChain / LangGraph или аналогичными фреймворками оркестрации Понимание принципа «LLM только для reasoning, детерминированная логика — в код»: умение разграничивать задачи между кодом и моделью Навыки prompt engineering: few-shot, chain-of-thought, structured output, контроль галлюцинаций Опыт работы с векторными БД, эмбеддингами, hybrid search Опыт проектирования и оценки качества ML-систем: метрики, тест-датасеты, A/B Будет плюсом: Опыт с GigaChat API / GigaChat-2-Max, langchain-gigachat Знакомство с банковскими процессами, требованиями ЦБ РФ, co-pilot режимами работы Практика с FSM (конечные автоматы) для управления диалогами / состояниями агента Участие в конференциях, публикации по теме LLM/агентов Условия Комфортный современный офис Гибридный формат работы Ежегодный пересмотр зарплаты. Годовая премия Корпоративный спортзал и зоны отдыха Более 400 образовательных программ СберУниверситета для профессионального и карьерного развития Программа адаптации и помощь руководителя на старте Расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа Гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ Бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров Вознаграждение за рекомендацию друзей в команду Сбера.
Наша команда занимается развитием ИИ-агентов Операционного центра Банка — высоконагруженных систем, которые ежедневно обрабатывают десятки тысяч реальных банковских операций. Мы не просто запускаем агентов в прод — мы строим инфраструктуру, которая делает их умнее с каждым циклом. Сейчас мы разрабатываем ИИ-Тренер — инструмент автоматической оптимизации промтов и поведения ИИ-агентов на основе анализа трейсов, разметки операторов и оффлайн-обучения. Это не академическая задача — результаты работы системы напрямую влияют на качество операционных процессов банка. Обязанности Проектировать и разрабатывать компоненты пайплайна оптимизации: от загрузки трейсов из корпоративной аналитической платформы до генерации и оценки кандидат-промтов Реализовывать алгоритмы подбора few-shot примеров из верифицированных трейсов с учётом ограничений контекстного окна и стоимости вызова LLM Строить механизм извлечения текстовых правил (процедурная память) из паттернов ошибок агента с использованием GigaChat-2-Max Разрабатывать offline-эвалюатор кандидат-промтов на отложенной выборке с приоритетом свежих данных Интегрировать инструмент с существующей корпоративной аналитической платформой (КАП) через механизм подписки на данные Участвовать в проектировании релизного процесса: от отчёта команде разработки агента до A/B-тестирования на продовом трафике Работать в двухнедельном batch-цикле, обеспечивая стабильную работу пайплайна на объёмах 10 000–20 000 задач в день Требования 5+ лет коммерческого опыта в ML/NLP, в том числе с LLM в production-среде Глубокое понимание архитектур LLM-агентов: ReAct, Plan-and-Execute, Tool Use, RAG Уверенный Python: async/await, Pydantic, SQLAlchemy 2.0, FastAPI Практический опыт с LangChain / LangGraph или аналогичными фреймворками оркестрации Понимание принципа «LLM только для reasoning, детерминированная логика — в код»: умение разграничивать задачи между кодом и моделью Навыки prompt engineering: few-shot, chain-of-thought, structured output, контроль галлюцинаций Опыт работы с векторными БД, эмбеддингами, hybrid search Опыт проектирования и оценки качества ML-систем: метрики, тест-датасеты, A/B Будет плюсом: Опыт с GigaChat API / GigaChat-2-Max, langchain-gigachat Знакомство с банковскими процессами, требованиями ЦБ РФ, co-pilot режимами работы Практика с FSM (конечные автоматы) для управления диалогами / состояниями агента Участие в конференциях, публикации по теме LLM/агентов Условия Комфортный современный офис Гибридный формат работы Ежегодный пересмотр зарплаты. Годовая премия Корпоративный спортзал и зоны отдыха Более 400 образовательных программ СберУниверситета для профессионального и карьерного развития Программа адаптации и помощь руководителя на старте Расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа Гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ Бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров Вознаграждение за рекомендацию друзей в команду Сбера.
Требования к кандидату
Образование: Не указано
Опыт работы: не требуется
Образование: Не указано
Опыт работы: не требуется
Адрес места работы
г Москва
г Москва