Senior AI/ML Engineer
Оценка ИИСильный бренд (Сбер), работа с актуальным стеком (RAG, AI-агенты) и четко очерченный круг задач без необходимости обучения моделей с нуля. Локация в Москве и работа в крупном финтехе обеспечивают стабильность и профессиональный рост.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИРоль требует глубокой экспертизы в узкой нише RAG и оценки LLM. Основная сложность заключается в необходимости иметь подтвержденный опыт вывода сложных AI-агентов в продакшн и владение инструментами валидации (Ragas, DeepEval).
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, но для позиции Senior AI/ML Engineer в Москве рыночный диапазон составляет от 350 000 до 550 000 рублей. Сбер обычно предлагает конкурентные условия, соответствующие верхней границе рынка для опытных инженеров.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*💻 Senior AI/ML Engineer*
Зарплата не указана
Москва
СберСпасибо — банковская программа лояльности для клиентов Сбербанка. Команда развивает AI-агентов для поиска по технической, нормативной и бухгалтерской документации. Предстоит повышать качество RAG, оценивать агентов и настраивать их защиту. В работе используются готовые модели через корпоративный шлюз. Обучение моделей в задачи не входит.
Требования:
— от 2 лет коммерческой разработки на Python
— хотя бы одно RAG-решение полного цикла в production, опыт эмбеддингов, чанкинга, переранжирования и векторных БД: Qdrant, FAISS или pgvector
— понимание архитектуры RAG: метаданные, выбор эмбеддингов, точность ссылок на источник
— оценка LLM-систем: эталонные наборы, offline-метрики, LLM-as-judge, регрессионные проверки, Ragas, DeepEval или аналоги
— настройка защит от prompt injection и утечек персональных данных, валидация структуры и содержания ответов
— промпт- и контекст-инжиниринг в реальных проектах, structured output и function calling
— опыт хотя бы с одним из LangChain, LangGraph, PydanticAI, OpenAI API или аналогов
— A/B-тесты промптов и моделей в production, MCP или собственный tool-layer для агентов
— базовые SQL и реляционные базы данных
*➡️* Откликнуться
*📍* Навигация: База знаний • Задачи • Собеседования
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- LLM
- SQL
- RAG
- LangChain
- FAISS
- LangGraph
- pgvector
- OpenAI API
- PydanticAI
- DeepEval
- Ragas
- Qdrant
Возможные вопросы на собеседовании
Проверка практического опыта оптимизации поиска в RAG-системах.
Расскажите о вашем опыте настройки переранжирования (reranking): какие модели использовали и как это повлияло на метрики?
Важно понять, как кандидат обеспечивает достоверность ответов в банковской среде.
Как вы боретесь с галлюцинациями LLM и обеспечиваете точность ссылок на первоисточники в документации?
Вакансия подразумевает работу с чувствительными данными.
Какие конкретные методы защиты от prompt injection и утечки персональных данных вы внедряли в своих проектах?
Оценка LLM — ключевой навык для этой позиции.
Как вы строите процесс оценки качества ответов (LLM-as-judge) и какие offline-метрики считаете наиболее репрезентативными?
Проверка навыков проектирования логики агентов.
Опишите ваш опыт реализации Function Calling или Tool-layer для AI-агентов: с какими сложностями сталкивались при обработке структурированного вывода?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
