Data Scientist

«История операций» — один из самых высоконагруженных и посещаемых экранов в приложении. Наша цель — превратить сухие строчки чеков в умную, интерактивную ленту. Мы внедряем LLM, чтобы пользователь мог общаться со своими финансами на естественном языке, получать моментальные умные инсайты, автоматические теги и персонализированную аналитику расходов.

• Разрабатывать и внедрять ИИ-агентов (LLM Agents): проектировать логику рассуждений агентов на базе GigaChat, обучать и дообучать модели (Finetuning, LoRA/QLoRA), настраивать вызов внешних инструментов (Tool Calling, API, SQL-скрипты) под задачи банкинга.
• Проектировать и обучать классические ML-модели: разработать точечную ML-модель для анализа транзакционных и табличных данных (классификация, кластеризация или скоринг) для обогащения контекста агента.
• Строить RAG-системы: проектировать архитектуру контекстного поиска ответов по сложным финансовым логам, чекам и документам пользователя.
• Анализировать и дорабатывать корзину запросов: оценивать результаты ответов агентов на предмет качества и ошибок, согласовывать метрики (Guardrails, Ragas), защищать подходы перед бизнесом и показывать ценность данных на понятном языке.
• Обеспечивать надёжность и оптимизировать воркфлоу: минимизировать задержки (latency) ответов, настраивать мониторинг внедрённых решений и контролировать траекторию поведения агента, полностью исключая галлюцинации в продакшене.

• Опыт в LLM от 2-3 лет: запускал языковые модели в продакшн (Transformers, BERT, GPT-подобные архитектуры).
• Мастерское владение Python: знание библиотек PyTorch, Hugging Face, LangChain, LlamaIndex.
• Понимание специфики работы с LLM: умение эффективно настраивать Prompt Engineering, оптимизировать инференс (vLLM, TensorRT-LLM) и оценивать качество генерации (Ragas, TruLens).
• База в классическом машинном обучении: понимание алгоритмов Classic ML, умение работать с табличными данными и признаками (CatBoost / LightGBM / Scikit-learn).
• Дружба с Big Data: уверенное написание сложных запросов на SQL (Hive/Spark) для подготовки датасетов.

• Масштаб и влияние: ваш код и обученные модели будут работать в смартфонах каждого второго жителя страны.
• Топовый стек и ресурсы: доступ к мощным суперкомпьютерам Сбера для обучения крупнейших моделей.
• Минимум бюрократии: работа по гибким методологиям внутри сильного DS-сообщества.
• Забота и бенефиты: конкурентная белая зарплата, годовые бонусы, ДМС
• Тренажерный зал (работает даже сейчас)
• Современный IT-офис с пуфами, игровыми зонами и т.д.
• Умопомрачительные виды на Москву
• Профильное обучение, митапы, конфы, воркшопы внутри и вне компании