- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Senior NLP/LLM Engineer
Оценка ИИСбер предлагает работу над передовым стеком (LLM, агенты) в крупном финтехе. Вакансия привлекательна масштабом задач, сильной инженерной культурой и возможностью влиять на продукт для премиальных клиентов.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубокой экспертизе в LLM (MoE, RLHF/DPO) и опыту построения мультиагентных систем. Также требуется сильный инженерный бэкграунд в Python и DevOps практиках.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, но для позиции Senior NLP/LLM Engineer в Москве рыночный диапазон составляет от 350 000 до 550 000 рублей и выше. Сбер обычно предлагает конкурентные условия, соответствующие верхней границе рынка для опытных специалистов.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Сбер уже сейчас
Присоединяйтесь к команде Сбера и создавайте передовые мультиагентные системы для премиального банкинга!
Описание вакансии
Сбер
Senior NLP/LLM Engineer
Опыт работы: 3–6 лет
Полная занятость
Формат работы: офис или гибрид (Москва)
Команда управления развития искусственного интеллекта (блок «Развитие клиентского опыта B2C») ищет NLP/LLM-инженера для развития AI-copilot премиальных клиентских менеджеров. Команда переходит от классических NLP-решений к адаптивным мультиагентным системам.
*☑️* Чем предстоит заниматься
-Проектировать и реализовывать end-to-end LLM-пайплайны, включая продвинутые RAG-системы и автономных AI-агентов (планирование, function calling, мультиагентная оркестрация)
-Дообучение и адаптация: SFT/RLHF/DPO, LoRA/QLoRA под бизнес-задачи; решать, когда нужно дообучение, а когда достаточно промпт-инжиниринга или RAG
-Поддерживать культуру качества: внедрять продуктовые и ML-метрики (RAGAS, DeepEval, LLM-as-a-Judge), автоматизировать регрессионное тестирование
-Писать чистый, документированный и тестируемый python-код, проектировать API-контракты для ML-компонент
-Участвовать в код-ревью, формировать технические стандарты команды, работать напрямую с продуктом и стейкхолдерами
*☑️* Наши пожелания к кандидатам
-Опыт в DL/NLP от 4 лет, включая обучение и дообучение моделей на PyTorch, из них не менее года практического опыта с LLM
-Практический опыт построения AI-агентов и LLM-пайплайнов с использованием LangChain/LangGraph
-Глубокое понимание архитектуры современных LLM: attention, MoE, RoPE, KV-cache, методы alignment (RLHF/DPO), принципы эффективного инференса
-Сильная инженерная культура: Python (asyncio, pydantic, fastapi), чистый тестируемый код (pytest), асинхронные микросервисы; понимание Docker/K8s, CI/CD для ML
-Оценка и мониторинг: уверенное владение инструментами LLMOps (Arize, LangSmith, W&B, Phoenix), опыт создания кастомных eval-пайплайнов
-Работа с данными: опыт предобработки сложных данных для датасетов, знание SQL
Откликнуться (Откликнуться)
*🔥* Подписаться на наши каналы (https://t.me/addlist/8QASR3uThEI2ZjVi) / @best_itjob (https://t.me/best_itjob) / @it_rab (https://t.me/it_rab)
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- PyTorch
- LLM
- SQL
- Kubernetes
- CI/CD
- RAG
- NLP
- Docker
- PyTest
- FastAPI
- LangChain
- Weights & Biases
- LangGraph
- Pydantic
- asyncio
Возможные вопросы на собеседовании
Проверка понимания архитектурных особенностей современных моделей.
Расскажите о преимуществах и сложностях использования архитектуры Mixture of Experts (MoE) в сравнении с плотными моделями при инференсе.
Оценка практического опыта в области Alignment.
В каких случаях вы предпочтете использовать DPO вместо классического PPO при дообучении LLM?
Проверка навыков проектирования сложных систем.
Как вы организуете мультиагентную оркестрацию для решения задачи, требующей планирования и вызова внешних инструментов (function calling)?
Оценка подходов к обеспечению качества RAG.
Какие метрики из фреймворка RAGAS вы считаете наиболее критичными для оценки галлюцинаций в ответах системы?
Проверка инженерных навыков.
