AI Data Engineer (кредитные агенты на базе LLM)

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.### 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.· 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.· 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.