AI Data Engineer (кредитные агенты на базе LLM)

Описание

Мы - команда разработки кредитных агентов на базе большой языковой модели. В команде открыта роль аналитика больших данных. У роли есть два основных фокуса: ·      бизнес-анализ — глубокое понимание кредитных процессов, чтобы точно знать, какие диалоги нужны системе для обучения ·      конструирование обучающих диалогов — превращение разрозненной текстовой информации в релевантный, сбалансированный датасет.

Обязанности

### Бизнес-анализ ·      погружение в домен: изучение кредитных процессов, регламентов, продуктовой документации; интервью с экспертами по кредитованию ·      карта сценариев: построение intent-map и user journeys — какие задачи пользователь решает с ассистентом, где чаще ошибается ·      приоритизация: определение ценных/частотных/рискованных сценариев; фокус датасета на них ·      выявление пробелов: анализ логов диалогов и тикетов поддержки — где ассистент проваливается, что не покрыто; постановка задач на дозаготовку сэмплов ·      связь «бизнес → данные → метрика»: перевод требований бизнеса в измеримые требования к датасету; защита покрытия сценариев ·      артефакты: требования, схемы процессов, каталог намерений (Jira, Confluence). ### Дата-анализ: подготовка диалогов ·      сбор и синтез: извлечение диалогов из документации, БЗ, FAQ, тикетов, логов реальных обращений, переписок поддержки ·      проектирование сценариев: явные и размытые запросы, оговорки, смена намерения, цепочки вызовов инструментов, ошибки и отказы (negative/refusal cases) ·     синтетическая генерация: prompt-шаблоны для LLM-генерации диалогов; контроль качества (дедупликация, разнообразие, отсутствие PII) ·      методология: гайды по разметке, критерии приёмки; обучение группы разметчиков (при наличии) ·      оценка влияния: bad-case-анализ, итеративное улучшение датасета под ошибки системы.

Требования

·      бизнес-анализ от 2 лет: интервью, моделирование процессов (BPMN/UML), написание требований ·      LLM/ML Data от 1 года: разметка, синтез датасетов (SFT, RLHF/DPO) ·      понимание tool calling / function calling и агентных сценариев ·      рython для работы с датасетами: JSONL/parquet, pandas, регулярки, скрипты генерации/валидации ·      умение переводить между «языком бизнеса» и «языком данных». Будет плюсом ------------ ·      анализ диалоговых логов / conversational analytics ·      опыт в чат-ботах, голосовых и корпоративных ассистентах ·      SQL, витрины, продуктовые метрики ·      RAG, LLM-as-a-judge, pairwise-оценки.

Условия

·      комфортный современный офис рядом с м. Кутузовская ·      ежегодный пересмотр зарплаты, годовая премия ·      корпоративный спортзал и зоны отдыха ·      уникальная система обучения Сбера для профессионального и карьерного развития ·      расширенный ДМС и льготное страхование для семьи ·      гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ ·      подписка Прайм с возможностью совместного использования на трёх близких ·      вознаграждение за рекомендацию друзей в команду Сбера ·      корпоративная пенсионная программа.