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.