- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Junior Data Scientist (LLM / AI Agents)
Оценка ИИОтличная возможность для старта в топовой компании с передовым стеком (LLM, AI Agents). Сбер предлагает работу с реальными GPU-кластерами и сложными задачами, что гарантирует быстрый профессиональный рост.
Сложность вакансии
Оценка ИИДля позиции Junior требования достаточно высокие: необходим опыт работы с Big Data (Spark, Hive) и современным стеком LLM (LangChain, VectorDB). Ожидается не просто знание моделей, но и навыки их вывода в продакшн (MLOps).
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для Junior DS в Москве в финтехе рыночный диапазон составляет 120,000–180,000 рублей. Сбер обычно предлагает конкурентные условия, соответствующие верхней границе рынка для сильных кандидатов.
Сопроводительное письмо
I am writing to express my strong interest in the Junior Data Scientist (LLM / AI Agents) position at Sber. With a solid foundation in Python and experience in commercial ML development, I have developed a keen interest in building multi-agent systems and optimizing LLMs for complex business processes. My technical background includes working with PyTorch, Hugging Face, and LangChain, which aligns perfectly with your team's focus on RAG and AI agent orchestration.
During my previous experience, I have worked on implementing RAG pipelines and fine-tuning models, which has given me a deep understanding of transformer architectures and LLM evaluation metrics. I am particularly excited about the opportunity to work on production-grade AI solutions within a GPU cluster environment and contribute to Sber's innovative banking services. I am confident that my skills in FastAPI, PySpark, and MLOps will allow me to make a meaningful contribution to your team from day one.
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Сбер уже сейчас
Присоединяйтесь к команде Сбера и создавайте будущее банковских технологий с помощью AI-агентов!
Описание вакансии
Junior Data Scientist (LLM / AI Agents)
#гибрид #junior
Москва
Компания: Сбер
☑️Чем предстоит заниматься:
-Разработка AI-агентов: Проектирование и внедрение мультиагентных систем (Prompt Engineering, RAG, Tools, Function Calling) в реальные банковские процессы.
-Работа с LLM: Оптимизация и Fine-tuning моделей под домен бизнеса (SFT, RLHF), работа с открытыми и проприетарными моделями.
-MLOps & Production: Вывод моделей в ПРОМ, построение пайплайнов обработки данных на GPU-кластере, организация мониторинга качества и дрейфа моделей.
-Оценка качества: Разработка метрик качества генерации (LLM Eval), проведение A/B тестов.
-Интеграция: Разработка сервисов на Python (API), взаимодействие с командой разработки и продуктовыми аналитиками для контроля и экспертизы требований к данным и функционалу.
-Технологический стек: Python, PyTorch, Hugging Face Transformers, LangChain / LangGraph, FastAPI, PySpark, Hive, Airflow, VectorDBs.
☑️Требования
-Опыт: от 6 месяцев в коммерческой разработке на позиции DS/ML Engineer
LLM & NLP: Глубокое понимание архитектуры трансформеров, опыт работы с RAG, контекстным окном, методами оптимизации инференса.
-Разработка: Уверенное знание Python (asyncio, aiohttp/FastAPI), опыт написания чистого, поддерживаемого кода.
-Big Data: Опыт работы с распределенными вычислениями (Spark/PySpark, Hive) и оркестрацией (Airflow).
-Инфраструктура: Понимание процессов MLOps, опыт deployment сервисов на GPU (on-premise или Cloud).
-Безопасность: Понимание принципов работы с персональными данными и безопасности при использовании LLM в энтерпрайзе.
Контакты: Откликнуться
Python Job 💬 в Telegram | 💙 в VK | 💬 в Max
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- PyTorch
- Hugging Face
- LangChain
- FastAPI
- PySpark
- Hive
- Airflow
- MLOps
- NLP
- LLM
- RAG
- Vector Database
- asyncio
Возможные вопросы на собеседовании
Проверка понимания ключевой технологии, указанной в описании (RAG).
Расскажите, как бы вы построили систему RAG для ответов на вопросы по внутренней документации банка? Какие метрики качества вы бы использовали?
Вакансия предполагает работу с мультиагентными системами.
В чем разница между простым промптингом и использованием AI-агентов с Function Calling? В каких случаях агенты эффективнее?
В стеке указаны Spark и Hive, что важно для работы в Сбере.
Был ли у вас опыт обработки больших данных с помощью PySpark? Как вы оптимизируете запросы при работе с терабайтами данных?
Упоминается Fine-tuning и RLHF.
В каких ситуациях стоит прибегать к Fine-tuning модели, а когда достаточно качественного Prompt Engineering или RAG?
Проверка навыков асинхронного программирования, указанных в требованиях.
Зачем в FastAPI и сетевых запросах (aiohttp) используется asyncio, и как это помогает при высоконагруженном инференсе моделей?
Похожие вакансии
Junior Data Engineer (Data House, Big Data)
Junior Data Engineer (Databricks)
MLOps Engineer (ML pipelines / Kubernetes / Airflow)
Senior Data инженер
Senior MLOps Engineer (Platform Development / LLMOps)
Junior Data Engineer
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!
- Страна
- Россия