Senior Data Scientist
Posted Updated 14
views
Summary
Senior Data Scientist at Sberbank building GenAI initiatives for the branch channel: designing end-to-end pipelines from research and prototyping to production, including multi-agent systems, production RAG, LLM fine-tuning, MLOps (Docker/k8s, CI/CD, MLflow) and inference optimization with vLLM/Triton.
Наша команда ищет Senior Data Scientist, который будет заниматься разработкой ключевых GenAI-инициатив в канале ВСП.
Вам предстоит с нуля выстраивать end-to-end пайплайны: от исследования и прототипирования до вывода в продакшен интеллектуальных агентов и ML-моделей. Вы будете отвечать за полный цикл создания ценности — от бизнес-гипотезы до работающего продукта.**Что предстоит делать:**
* Проектировать и внедрять в продакшен мультиагентные системы (orchestrator–workers, ReAct, Plan-and-Execute).
* Строить продакшен-RAG (гибридный поиск, ANN/HNSW, query rewriting, GraphRAG).
* Разворачивать harness для агентов, настраивать guardrails, трейсинг траекторий и проводить A/B-тесты версий (промпт/модель/инструменты).
* Оптимизировать LLM-пайплайны (DSPy / MIPROv2, управление контекстом и памятью).
* Дообучать модели (SFT, LoRA/QLoRA) под ру-домены и внедрять function calling / MCP.* **Релевантный опыт работы от 5 лет**
* **Агенты:** LangChain, LangGraph (обязательно); LlamaIndex, CrewAI (опционально).
* **ML/NLP:** трансформеры, attention, prompt engineering (CoT, few-shot), Fine-tuning.
* **RAG и поиск:** Qdrant, Elasticsearch или FAISS.
* **Оценка:** LLM-as-a-Judge, Inspect AI / RAGAS / DeepEval, матстатистика для A/B-тестов.
* **Классический ML:** CatBoost, XGBoost, скоринг, предотвращение утечек.
* **MLOps:** Python (продакшен-код, ООП), Docker, k8s, CI/CD, MLflow/WandB, мониторинг data drift.
* **Инференс:** vLLM, Triton, TensorRT/ONNX, квантизация, оптимизация latency и стоимости.**Ожидаемый стек и навыки:**
* **Агенты:** LangChain, LangGraph
* **ML/NLP:** трансформеры, attention, prompt engineering (CoT, few-shot), Fine-tuning.
* **RAG и поиск:** Qdrant, Elasticsearch или FAISS.
* **Оценка:** LLM-as-a-Judge, Inspect AI / RAGAS / DeepEval, матстатистика для A/B-тестов.
* **Классический ML:** CatBoost, XGBoost, скоринг, предотвращение утечек.
* **MLOps:** Python, Docker, k8s, CI/CD, MLflow/WandB, мониторинг data drift.
* **Инференс:** vLLM, Triton, TensorRT/ONNX, квантизация, оптимизация latency и стоимости.