на главную
sber•09.11.2026Умеренная вакансияОпубликована 12 дней назад на sber. Свежая — до 5 дней, умеренная — 6–14 дней, долгая — от 15 дней. Дата берётся с сайта-источника.Прямой откликПриоритетный отклик · PROПисьмо с вашим резюме уходит рекрутёру компании от сервиса ВАЙТИ — приоритетный канал доступен на PRO и PREMIUM

ML Developer

С его помощью мы будем показывать вам только самые релевантные вакансии и сэкономим ваше время.

В офисе г Москва

Навыки и технологии

DevOpsMongoDBDockerPythonPostgreSQLPrometheusRabbitMQClickHouseMySQL

Ключевая задача

Реализация ML-проектов Лаборатории: обучение и дообучение моделей, построение data-пайплайнов и вывод решений в production.

Описание вакансии

О компании

Мы исследовательское подразделение, которое отвечает в Сбере за «человека»: поведение, психология, тренды, изменения, особенности восприятия и мышления. Наша ключевая задача: исследовать и рассказывать, что происходит и будет происходить с человеком, как эти изменения переложить в продукт, коммуникации, HR-процессы, чтобы они стали лучше.

Работа в Лаборатории – это возможность прикоснуться практически к любому бизнес-подразделению экосистемы Сбера, к большим данным Сбера, к клиентской базе более 100 млн человек.

Вы рамках Лаборатории вы будете в команде “больших данных и гиперперсонализации”, всего около 25 человек, из которых DS-команда – порядка 10 человек, остальные – исследователи, психологи и социологи.

Лаборатория работает на стыке поведенческой науки, данных и AI. Мы строим модели, которые описывают и предсказывают поведение человека — от сегментации клиентов до цифровых двойников. ML Developer — это тот, кто превращает исследовательские гипотезы в работающие модели и надёжную инфраструктуру вокруг них.

Обязанности

Чем предстоит заниматься:

  • классический ML/NLP: разработка и обучение моделей для анализа текстов, поведенческих данных, психометрических профилей.
  • кластеризация, классификация, NER, sentiment — всё, что требуется для исследований на данных.
  • LLM-интеграция: fine-tuning и дообучение языковых моделей под задачи Лаборатории, построение embedding-пайплайнов, проектирование RAG-архитектур с графовыми и векторными БД.
  • работа с промптами на уровне системной архитектуры, а не ad hoc экспериментов
  • Production & MLOps: вывод моделей из ноутбуков в production — контейнеризация, CI/CD, мониторинг, версионирование моделей и данных
  • построение воспроизводимых пайплайнов обработки данных.

Требования

Наши ожидания от кандидата:

ML & NLP:

  • практический опыт обучения и дообучения моделей (классический ML + deep learning)
  • уверенная работа с NLP: text classification, NER, embeddings, topic modeling, умение работать с ASR, Text-to-Speech задачами
  • опыт fine-tuning трансформерных моделей (HuggingFace Transformers, PEFT, LoRA, QLoRA)
  • понимание метрик качества моделей и умение проектировать эксперименты.

LLM & Retrieval-архитектуры:

  • опыт работы с LLM API (OpenAI, Anthropic и др.) на уровне production-решений
  • построение RAG-пайплайнов: chunking-стратегии, embedding-модели, векторные и графовые БД
  • понимание различий между векторным поиском и BM25
  • работа с LangChain / LangGraph или аналогами.

Engineering & MLOps:

  • Python как основной язык, уверенное владение
  • Docker, CI/CD, базовый DevOps
  • опыт работы с ML-оркестраторами (MLflow, W&B, Prefect, Dagster — хотя бы один)
  • навыки разработки API (FastAPI / аналоги)
  • работа с SQL-базами (ClickHouse, Postgres) и очередями (RabbitMQ и т.п.).

Софты и майндсет:

  • техническое образование (ML, CS, математика, инженерия)
  • умение переводить абстрактные и