Сбер. Data Science
Data Scientist (LLM & ML) в команду «История операций» СберБанк Онлайн
Data Scientist on SberBank Online's transaction-history team: builds and fine-tunes GigaChat-based LLM agents (RAG, tool calling, guardrails), classic ML models on transaction data, and optimizes latency and answer quality for production. Stack: Python, PyTorch, Hugging Face, LangChain, vLLM, SQL (Hive/Spark).
- Compensation
- Not disclosed
- Location
- Москва
- Work setup
- Onsite
- Seniority
- Not specified
- Employment
- Full time
- Experience
- Not specified
- Category
- Data science
- Posted
Skills
Must have
- 2–3 years of LLM experience, including running language models in production (Transformers, BERT, GPT-like architectures)
- Strong Python skills: PyTorch, Hugging Face, LangChain, LlamaIndex
- LLM specifics: Prompt Engineering, inference optimization (vLLM, TensorRT-LLM), generation quality evaluation (Ragas, TruLens)
- Classic ML fundamentals: algorithms, tabular data and feature work (CatBoost / LightGBM / Scikit-learn)
- Big Data: confident complex SQL (Hive/Spark) for dataset preparation
Full description
«История операций» — это один из самых высоконагруженных и посещаемых экранов в приложении. Наша цель — превратить сухие строчки чеков в умную, интерактивную ленту. Мы внедряем LLM, чтобы пользователь мог общаться со своими финансами на естественном языке, получать моментальные умные инсайты, автоматические теги и персонализированную аналитику расходов.
Обязанности
- Разрабатывать и внедрять ИИ-агентов (LLM Agents): проектировать логику рассуждений агентов на базе GigaChat, обучать и дообучать модели (Finetuning, LoRA/QLoRA), настраивать вызов внешних инструментов (Tool Calling, API, SQL-скрипты) под задачи банкинга.
- Проектировать и обучать классические ML-модели: разработать точечную ML-модель для анализа транзакционных и табличных данных (классификация, кластеризация или скоринг) для обогащения контекста агента.
- Строить RAG-системы: проектировать архитектуру контекстного поиска ответов по сложным финансовым логам, чекам и документам пользователя.
- Анализировать и дорабатывать корзину запросов: оценивать результаты ответов агентов на предмет качества и ошибок, согласовывать метрики (Guardrails, Ragas), защищать подходы перед бизнесом и показывать ценность данных на понятном языке.
- Обеспечивать надёжность и оптимизировать воркфлоу: минимизировать задержки (latency) ответов, настраивать мониторинг внедрённых решений и контролировать траекторию поведения агента, полностью исключая галлюцинации в продакшене.
Требования
Наш идеальный кандидат
- Имеет опыт в LLM от 2-3 лет: запускал языковые модели в продакшн (Transformers, BERT, GPT-подобные архитектуры).
- Мастерски владеет Python: знает библиотеки PyTorch, Hugging Face, LangChain, LlamaIndex.
- Понимает специфику работы с LLM: умеет эффективно настраивать Prompt Engineering, оптимизировать инференс (vLLM, TensorRT-LLM) и оценивать качество генерации (Ragas, TruLens).
- Обладает базой в классическом машинном обучении: понимает алгоритмы Classic ML, умеет работать с табличными данными и признаками (CatBoost / LightGBM / Scikit-learn).
- Дружит с Big Data: уверенно пишет сложные запросы на SQL (Hive/Spark) для подготовки датасетов.
Условия
Почему это вакансия-мечта
- Масштаб и влияние: ваш код и обученные модели будут работать в смартфонах каждого второго жителя страны.
- Топовый стек и ресурсы: доступ к мощным суперкомпьютерам Сбера для обучения крупнейших моделей.
- Минимум бюрократии: мы работаем по гибким методологиям внутри сильного DS-сообщества.
- Забота и бенефиты: конкурентная белая зарплата, годовые бонусы, ДМС
- Тренажерный зал (работает даже сейчас)
- Современный IT-офис с пуфами, игровыми зонами и т.д.
- Умопомрачительные виды на Москву