Наша NLP команда занимается задачами, связанными с извлечением информации из документов, диалогов, текстов различной природы.
Главной задачей для нас является создание готовых продуктов с LLM под капотом, а также создание self-service для бизнеса, где каждый может создать нужный ему сценарий (скилл) в режиме No-code.
Обязанности
- проектировать и калибровать judge-пайплайны: рубрики, эталонная разметка, согласованность с людьми, борьба с позиционным bias и bias по длине
- строить RAG-поиск для дублей и противоречий: чанкинг, гибридный поиск, реранкинг, проверка противоречий на уровне утверждений
- делать регресс-тесты знаний: golden set, пороги, прогон на каждое изменение промпта или модели
- ловить галлюцинации: извлечение утверждений, привязка к источнику, верификация
- дообучать и дистиллировать judge-модели, чтобы снизить цену и задержку без потери качества
- собирать мультиагентные пайплайны с guardrails и контролем стоимости прогона.
Требования
- высшее образование: математика, физика, информатика или профильный data science
- 5+ лет в ML, из них не меньше полутора лет с LLM в проде
- RAG в продакшене, а не демо: с метриками качества, нагрузкой и историей улучшений
- Fine-tuning: SFT, LoRA/QLoRA, желательно DPO
- опыт построения и калибровки LLM-as-judge
- Guardrails и детекция галлюцинаций
- мультиагентные пайплайны: оркестрация, обработка отказов, ограничение стоимости
- Python: пишете код, который уходит в прод
- английский для чтения статей и документации.
Будет плюсом
- опыт python-бэкендера: FastAPI, асинхронность, очереди, PostgreSQL, векторные хранилища
- NLI, извлечение фактов, работа с разметчиками
- публикации, доклады, open source.
Условия
- корпоративный спортзал и зоны отдыха
- более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
- регулярные митапы и развитое DS-community
- расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
- 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 Сбер.
