Вайти
на главную
sber•1 дн. назадСвежая вакансияОпубликована 1 день назад на sber. Свежая — до 5 дней, умеренная — 6–14 дней, долгая — от 15 дней. Дата берётся с сайта-источника.Прямой откликПриоритетный откликВаше резюме и сопроводительное письмо уходят напрямую рекрутёру компании на почту, минуя общую очередь откликов на вакансию

Senior Data Scientist

В офисе г Москва

Навыки и технологии

ReactGitLab CI/CDPythonDockerKubernetesElasticsearch

Ключевая задача

Разработка ключевых GenAI-инициатив в канале ВСП: построение end-to-end пайплайнов интеллектуальных агентов и ML-моделей от прототипа до продакшена.

Описание вакансии

Обязанности

  • Проектировать и внедрять в продакшен мультиагентные системы (orchestrator–workers, ReAct, Plan-and-Execute).
  • Строить продакшен-RAG (гибридный поиск, ANN/HNSW, query rewriting, GraphRAG).
  • Разворачивать harness для агентов, настраивать guardrails, трейсинг траекторий и проводить A/B-тесты версий (промпт/модель/инструменты).
  • Оптимизировать LLM-пайплайны (DSPy / MIPROv2, управление контекстом и памятью).
  • Дообучать модели (SFT, LoRA/QLoRA) под ру-домены и внедрять function calling / MCP.

Требования

  • Релевантный опыт работы от 5 лет
  • Агенты: LangChain, LangGraph (обязательно); LlamaIndex, CrewAI (опционально).
  • ML/NLP: трансформеры, attention, prompt engineering (CoT, few-shot), Fine-tuning.
  • RAG и поиск: Qdrant, Elasticsearch или FAISS.
  • Оценка: LLM-as-a-Judge, Inspect AI / RAGAS / DeepEval, матстатистика для A/B-тестов.
  • Классический ML: CatBoost, XGBoost, скоринг, предотвращение утечек.
  • MLOps: Python (продакшен-код, ООП), Docker, k8s, CI/CD, MLflow/WandB, мониторинг data drift.
  • Инференс: vLLM, Triton, TensorRT/ONNX, квантизация, оптимизация latency и стоимости.

Условия

Ожидаемый стек и навыки:

  • Агенты: LangChain, LangGraph
  • ML/NLP: трансформеры, attention, prompt engineering (CoT, few-shot), Fine-tuning.
  • RAG и поиск: Qdrant, Elasticsearch или FAISS.
  • Оценка: LLM-as-a-Judge, Inspect AI / RAGAS / DeepEval, матстатистика для A/B-тестов.
  • Классический ML: CatBoost, XGBoost, скоринг, предотвращение утечек.
  • MLOps: Python, Docker, k8s, CI/CD, MLflow/WandB, мониторинг data drift.
  • Инференс: vLLM, Triton, TensorRT/ONNX, квантизация, оптимизация latency и стоимости.