Сбер

AI data engineer

Коротко

Роль аналитика больших данных в команде разработки кредитных агентов на базе LLM: нужно изучать кредитные домены, строить карты сценариев и каталоги намерений, собирать и синтезировать диалоговые датасеты (SFT, RLHF/DPO), а также выявлять пробелы по логам и тикетам поддержки. Требуется опыт бизнес-анализа от 2 лет (интервью, BPMN/UML) и опыт работы с LLM/ML-данными от 1 года, включая Python для JSONL/parquet и pandas. Работа в офисе в Москве, формат полной занятости, уровень middle.

Описание
Мы - команда разработки кредитных агентов на базе большой языковой модели. В команде открыта роль аналитика больших данных. У роли есть два основных фокуса.
Задачи
•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)
•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
Требования
•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
•Python 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
Условия
•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

Хватит откликаться.
Получите рекомендацию.

$10 стартовых кредитов

Всего 60 секунд, полностью на автопилоте — AI-агенты Eraldt читают ваше резюме, определяют подходящие роли, находят живые вакансии и людей, которые могут вас порекомендовать, пишут им личные письма и добиваются рекомендации.

Это не отклик на вакансию: резюме не уходит в компанию, а рекомендацию именно по этой роли мы не обещаем.

Посмотрите, кто ещё получает интервью на автопилоте