ML-разработчик диалоговых агентов в команду продукта Нейросейлз

Наша команда разрабатывает Нейросейлз — новый AI-продукт для малого и среднего бизнеса, призванный автоматизировать разные этапы взаимодействия с клиентской базой, а также повысить эффективность работы менеджеров и ускорить её.

Сейчас мы работаем над автономной голосовой диалоговой системой, то есть полноценной связкой ASR + agentic LLM + TTS, которая самостоятельно обзванивает клиентов и свободно общается с ними с учётом известного нам контекста, а также над copilot’ом для реализации более сложных сценариев. При этом нам важно создавать инструменты, которые смогут эффективно масштабироваться в рамках самых разных сервисов Яндекса и потенциально за пределами компании в качестве внешнего решения для бизнеса.

Работая в режиме внутреннего стартапа, мы должны быстро тестировать как можно больше продуктовых и технологических гипотез, чтобы показывать существенные финансовые результаты. Поэтому зачастую мы идём двумя взаимосвязанными параллельными треками: в одном собираем быстрые решения, а в другом — более фундаментально вкладываемся в технологии, которые позволят нам в будущем вывести продукт на новый уровень.

Мы ищем опытного ML-разработчика с горящими глазами, который одновременно любит прототипировать и находить быстрые решения, а также умеет, когда надо, остановиться и обобщить результаты до более общего долгосрочного решения.

Мы любим употреблять в речи и в работе все самые модные buzzword’ы — агенты, tool-calling, RAG, RL, — но при этом очень хотим не усложнять решения сверх необходимого.

Какие настоящие ML-вызовы перед нами стоят?
Технология в основе Нейросейлз должна обладать двумя ключевыми особенностями, отличающими нас от большинства существующих диалоговых систем.

Во-первых, наш диалоговый агент должен быть изначально проактивным, так как именно мы инициируем звонок клиенту.

Во-вторых, в большинстве случаев невозможно оценить итоговое качество работы диалогового агента по одной выделенной реплике, как это стандартно делается в обычных Q&A-системах. Чтобы проверить, выполнил ли агент свою задачу, надо иметь перед глазами весь диалог.

Обе особенности делают необходимой реализацию обучения — SFT и RL — на уровне всего диалога менеджера с клиентом, а не отдельных фраз. Значит, нам нужно создать не только модель менеджера, но и реалистичные модели пользователя, чтобы генерировать синтетические траектории для обучения.

Такое multi-turn-обучение только начинает применяться в индустриальных задачах, и множество исследовательских вопросов в этой области до сих пор не имеет стандартных ответов.

Какие задачи вас ждут

Создание голосового диалогового агента
Вы будете создавать интеллектуальных агентов для сопровождения сделок в диалоговом режиме через голосовые и текстовые каналы.

Создание copilot’а для менеджеров
Нужно разработать умного ассистента, который в реальном времени подсказывает менеджерам оптимальные стратегии коммуникации и релевантные для клиентов рекламные предложения.

Персонализированное общение и предложения
В зависимости от этапа работы с клиентом мы должны уметь использовать всю доступную нам информацию о нём, в том числе предыдущую историю общения, чтобы делать коммуникацию более персонализированной.

Больше об ML в Яндексе — в канале Yandex for ML

Мы ждем, что вы

• Разрабатывали продукты на основе LLM, в том числе с использованием RAG- и агентных пайплайнов/tool-calling, и выпускали их в продакшен
• Понимаете, как создавать prompt-based-решения, а затем улучшать их с помощью SFT/RL-alignment
• Собирали датасеты для обучения и офлайн-оценки моделей из логов и с помощью асессоров