Senior Data Scientist
Posted Updated
Summary
Sber's Data Science team seeks a Senior Data Scientist to build GenAI initiatives for its bank-branch channel: taking multi-agent LLM systems, production RAG pipelines, model fine-tuning, evaluations and MLOps from prototype to production using Python, LangChain/LangGraph, Qdrant, Docker/k8s and vLLM/Triton inference.
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.
Обязанности
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.
Требования
- 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.
Условия
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.