Senior Python ML-инженер (AI-Агенты)
Описание
Наша AI-команда разрабатывает AI-Агентов, ML-модели и LLM-приложения для корпоративного бизнеса в Корпоративно-инвестиционном блоке, полностью выполняет весь цикл работ: от сбора и анализа данных до разработки/внедрения моделей в ПРОМ, мониторинга и защиты решений от Банковских регуляторов. Продуктовая команда, в которой предстоит работать, занимается разработкой и внедрением AI-решений, направленных на агентизацию процесса цифровой трансформации бизнеса клиентов в Сбере (направление DTaaS). Эти инструменты призваны оптимизировать и улучшить работу наших внутренних специалистов-сотрудников Сбера : менеджеров по успеху клиентов (CSM) и клиентских менеджеров сегмента ККСБ. В том числе мы: Разрабатываем и внедряем AI-агентов на базе LLM (как правило, линейка моделей SberDevice - GigaChat). Используем современный стек: A2A, MCP, LangGraph, LangChain, Kubernetes, Hadoop, Elastic и многое другое. Реализуем оркестрацию AI-Агентов, мултиагентные мультимодальные системы, RAG-сервисы. Участвуем в проектах по иференсу open-source LLM на собственном кластере GPU, разработке NoCode-фабрики Агентов. Развиваем свой AutoML фреймворк совместно с Sber AI Lab и работаем с SotA-архитектурами. Строим витрины данных и BI-дашборды для мониторинга ML-моделей, AI-Агентов. Обязанности разработка и внедрение AI-Агентов в production разрабатывать end-2-end интеграции с внешними системами и другими сервисами по протоколам Kafka, REST API, gRPC, WS и др. сопровождать релизы моделей и агентов: документации, демо, защита решений от регуляторов взаимодействовать с бизнес-заказчиками, архитекторами и продуктовыми командами для развития AI-решений в бизнесе Требования опыт работы в роли ML-инженера, DS, MLOps или Python Backend в ML ВАЖНО: опыт промышленной разработки на Python, знание ООП/паттернов проектирования и опыт работы с микросервисной архитектурой опыт работы с большими объёмами данных и распределенными хранилищами данных: например, Hadoop опыт работы с фреймворками для построения AI-агентов, такими как LangChain или LangGraph, базовые знания ML/DL владение инструментами для LLM-мониторинга и MLOps/ CI & CD. Будет плюсом: • опыт работы с распределенными очередями задач и сообщений, потоковой обработки данных - celery, taskiq, rabbitmq, Kafka, faststream • опыт разработки высоконгруженных систем, гео-распределенных систем, оpenShift/Kubernetes • опыт в инженерии данных. Условия гибридный формат работы в офисе на Уральской, 1 (г. Санкт-Петербург), есть корпоративная развозка от метро, зоны отдыха, столовая более 400 образовательных программ СберУниверситета для профессионального и карьерного развития гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа бесплатная подписка СберПрайм+ с возможностью совместного использования на трёх близких вознаграждение за рекомендацию друзей в команду Сбера.