- Страна
- Россия
ML Engineer (AI Agents / Python)
Оценка ИИСбер предлагает работу над передовыми технологиями (AI Agents) в стабильной компании с сильной инженерной культурой. Отличные возможности для профессионального роста и работы с масштабными данными.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль требует сочетания навыков классического Software Engineering (Python, SQL, ETL) и глубокого понимания современных LLM-технологий (RAG, AI Agents). Высокие требования к опыту промышленной эксплуатации и работе с Big Data стеком.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая позиция соответствует рыночному уровню для Senior/Middle+ ML-инженеров в Москве. Сбер обычно предлагает конкурентную зарплату, дополненную годовыми бонусами и расширенным соцпакетом.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Сбер
ML Engineer (AI Agents / Python)
Формат работы: офис или гибрид (Москва)
*☑️* Чем предстоит заниматься
-Проектировать и разрабатывать AI-агентов: реализовывать сценарии, оркестрацию, tool calling и интеграции с внутренними сервисами
-Превращать прототипы и модели Data Science в надёжные промышленные решения: упаковывать, встраивать в сервисы и пайплайны, версионировать и сопровождать
-Разрабатывать на Python сервисы, библиотеки и пайплайны, писать автотесты и участвовать в код-ревью
-Проектировать, строить и сопровождать витрины данных для ML-моделей и агентов
-Обрабатывать большие объёмы данных с помощью SQL, Hadoop и Spark, оптимизировать запросы и вычислительные задачи
-Обеспечивать качество и наблюдаемость решений: логирование, мониторинг, обработку ошибок и контроль качества данных
*☑️* Наши пожелания к кандидатам
-Опыт промышленной разработки на Python от 2 лет
-Умение писать поддерживаемый код: типизация, тестирование, обработка ошибок, логирование и работа с зависимостями
-Уверенное владение SQL: сложные запросы, оконные функции, оптимизация и работа с большими наборами данных
-Опыт построения и сопровождения ETL/ELT-пайплайнов и витрин данных
-Опыт вывода сервисов, моделей или data-продуктов в промышленную эксплуатацию
-Понимание принципов работы AI-агентов: оркестрация, tool calling, управление состоянием и интеграция с API
-Понимание жизненного цикла ML-модели — от артефакта и данных до инференса, мониторинга и обновления
-Опыт разработки AI-агентов с использованием LangGraph, LangChain, LlamaIndex или собственного оркестратора (будет плюсом)
-Опыт работы с LLM, RAG и векторными хранилищами (будет плюсом)
-Опыт оркестрации пайплайнов в Airflow или аналогичных системах (будет плюсом)
-Опыт работы с Kafka и событийными архитектурами (будет плюсом)
-Знание Docker, CI/CD и Kubernetes (будет плюсом)
-Практический опыт работы с Hadoop и Spark (будет плюсом)
-Опыт внедрения ML- или LLM-сервисов во внутреннем контуре (будет плюсом)
-Опыт в банковском домене, продуктах для юридических лиц или документообороте (будет плюсом)
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- SQL
- Hadoop
- Spark
- ETL
- LangChain
- LangGraph
- LlamaIndex
- LLM
- RAG
- Airflow
- Kafka
- Docker
- Kubernetes
- CI/CD
Возможные вопросы на собеседовании
Проверка понимания архитектуры AI-агентов и инструментов оркестрации.
Расскажите о вашем опыте работы с LangGraph или LangChain. Как вы решали задачу управления состоянием (state management) в сложных сценариях агентов?
Оценка навыков работы с данными и оптимизации.
С какими объемами данных вы работали в Hadoop/Spark и как оптимизировали SQL-запросы для построения витрин под ML-модели?
Проверка инженерной культуры и умения выводить решения в прод.
Опишите ваш процесс вывода ML-сервиса в промышленную эксплуатацию: как вы организуете мониторинг, логирование и версионирование моделей?
Проверка знаний в области RAG и векторного поиска.
Какие векторные хранилища вы использовали и как решали проблему релевантности поиска в RAG-системах?
Оценка навыков проектирования систем.
Как бы вы спроектировали систему обработки ошибок и fallback-сценариев для AI-агента, взаимодействующего с внешними API через tool calling?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
