Данные и ML вакансии - в офисе

О проекте: Мы строим Customer Intelligence & Personalization Platform для зарубежной экосистемы бизнесов. Задачи: — Принимать технические решения и самостоятельно реализовывать ключевые части платформы. — Владеть архитектурой и развитием Data Core. — Проектировать слои Bronze / Silver / Gold и модели данных. — Исследовать банковские, legacy- и внешние источники, восстанавливать их семантику. — Строить pipelines от raw-данных до подготовленных data products. — Разрабатывать трансформации на SQL / dbt / Python. — Определять инженерные стандарты для ELT, data modelling, metadata, lineage и data quality. — Развивать data catalog и metadata-as-code подход. — Проектировать data contracts и интеграции Data Core с другими компонентами. — Переводить исследовательские решения и ручные процессы в production. — Работать с Git, CI/CD, Docker, Linux и закрытыми Dev/UAT-контурами. — Взаимодействовать с инженерами и data scientist в команде. Требования: — Опыт работы Lead / Staff / Principal Data Engineer или сильного Senior с архитектурным ownership. — Опыт проектирования и самостоятельной реализации data platform / DWH / Lakehouse. — Знания Core banking / legacy banking systems. — Опыт с Customer 360 / Golden Record / MDM. — Сильный SQL и уверенный Python. — Опыт работы с dbt или аналогичными transformation frameworks. — Опыт работы с Airflow / Dagster / Prefect или аналогами. — Хорошее понимание data modelling, historization, grain и master entities. — Практический опыт data quality, lineage и metadata management. — Знание Data Vault 2.0. — Опыт работы с OpenMetadata или другими data catalog solutions. — Умение самостоятельно принимать технические решения и отвечать за результат. — Опыт работы с плохо документированными источниками. — Навыки работы с Git, CI/CD, Docker, Linux. — Практический AI-native способ разработки. Условия: — Оформление: ИП. — Формат работы: полная занятость. — Локация: Ереван либо готовность к регулярным командировкам (до 2 раз в месяц на несколько дней) в Ереван для работы с данными и специалистами заказчика. — Уровень дохода обсуждается индивидуально.

Задачи: — Владеть AI-функциями от концепции до производства в масштабе 50k RPS и 450M пользователей. — Создавать большие языковые модели (LLM) и обучать кастомные модели для приложений в реальном времени. — Тесно сотрудничать с продакт-менеджерами для трансформации целей в решения. — Оценивать и внедрять мониторинг производительности моделей, отслеживать дрейф и регрессии. Требования: — Опыт работы инженером 5+ лет с практическим опытом LLM в продакшене. — Умение обучать и выпускать модели на неструктурированных данных. — Глубокое понимание оценки моделей и мониторинга в продакшене. — Владение Python и основами машинного обучения. — Английский язык на уровне Intermediate и выше. Условия: — Конкурентная зарплата, бонусы и опционы (каждый сотрудник — партнер). — Официальное трудоустройство на Кипре с поддержкой визы для сотрудника и супруга. — Комфортный офис в Лимассоле с питанием и перекусами. — Медицинская страховка. — Доступ к матчам и мероприятиям Aris Limassol F.C. — Возможности профессионального роста и командных активностей.

Задачи: — Управление командой из 4–6 человек: постановка масштабных целей, декомпозиция их в задачи, координация со смежными командами, контроль процесса от постановки задачи до внедрения в продакшен. — Обучение моделей и работа с данными: превращение данных, размеченных с помощью LLM, в датасеты для ML-моделей ранжирования, создание корпусов синтетических данных, дообучение открытых и внутренних LLM. — Создание пайплайнов для оценки обученных моделей, обеспечение многосторонней оценки моделей, работающих в продуктах с миллионами пользователей. Требования: — Опыт управления командой ML/DL-разработчиков. — Опыт обучения DL-моделей и их внедрения в продакшен. — Готовность работать руками, создавать прототипы и проверять гипотезы. Будет плюсом: — Опыт работы с высоконагруженными системами и создания моделей для них. — Опыт работы в кросс-функциональных командах. Условия: — ДМС с регулярными чекапами и вакцинацией. — Другие бонусы, полный список доступен по ссылке.

Задачи: — ценообразование — uplift-моделирование — задачи ранжирования — модели склонности — look-a-like — response модели — работа с регрессионными таргетами — кластерный и факторный анализ. Требования: — опыт в части ML задач не менее 3 года — опыт работы и глубокое понимание классического ML — продвинутые знания статистики и машинного обучения — опыт оценки качества результатов (DS и бизнес-валидация) — опыт проведения A/B-тестов — хорошие знания Python, SQL, Bash, PySpark. Будет плюсом: — опыт работы с Transformers — успехи в ML-соревнованиях, хакатонов — навыки работы с генеративными AI-моделями — опыт создания AI-агентов и использования их в работе — опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов. Условия: — работа в удобном и современном офисе недалеко от станции метро Кутузовская — ежегодный пересмотр зарплаты, годовая премия — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — 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 Сбера.

Задачи: — исследование данных с использованием state-of-the-art (SOTA) подходов — разработка моделей машинного обучения в области NLP и NER — автоматизация и оптимизация процесса продаж инструментов глобальных рынков — осуществление fine-tuning’a LLM — имплементация RAG’ов на основе данных Банка — развитие платформы по использованию и развитию LLM — интеграция LLM в бизнес-процессы подразделения — интеграция API, сервисов, построение пайплайнов моделей. Требования: — высокий уровень математического аппарата - математический анализ, линейная алгебра, теория вероятностей — предпочтителен опыт в финансовой сфере, финтехе или области анализа данных (от 3- х лет) — детальное понимание моделей машинного обучения и алгоритмов — опыт управления проектами и взаимодействия со смежными командами — глубокое понимание инструментов финансового рынка является дополнительным преимуществом — уверенное владение Python — опыт в разработке NLP моделей или компьютерной лингвистике — инструментальное владение AI для анализа, генерации и автоматизации. Условия: — формат работы - офис (ст.м. Ленинский проспект) — ежегодный пересмотр зарплаты и годовая премия — корпоративный спортзал и зоны отдыха — 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+, скидки на продукты компаний-партнеров — вознаграждение за рекомендацию друзей в команду Сбера.

Задачи: — Проектирование архитектуры хранилищ данных; — Сопровождение существующих кластеров ClickHouse; — Ревью и оптимизация SQL-запросов и схем данных совместно с разработчиками; — Конфигурирование и оптимизация инстансов ClickHouse; — Настройка и оптимизация процессов репликации и шардинга, конфигурация Zookeeper; — Разбор и устранение сложных инцидентов, включая расследование деградации и потерь данных. Требования: — Опыт работы с Linux; — Глубокие знания устройства и принципов работы ClickHouse (движки, индексы, репликация, шардинг, best practics); — Уверенное владение Bash и SQL; — Опыт работы с системами мониторинга. Будет плюсом: — Базовые навыки программирования на Python (решение рутинных задач); — Опыт работы с системами управления конфигурацией, такими как Ansible, Puppet или SaltStack; — Продвинутое знание и опыт работы с реляционными СУБД: MySQL и/или PostgreSQL. Условия: Официальное оформление, медицинская страховка, рабочая виза, компенсация английского, и многое другое подробнее в лс.

Задачи: — участвовать в разработке и валидации моделей кредитного скоринга — регулярно запускать и контролировать ML-пайплайны — мониторить производительность и стабильность моделей — проводить плановое переобучение моделей — готовить отчёты по производительности моделей, включая Gini / KS — поддерживать модели в продакшене Требования: — от 2 лет опыта в Data Science — понимание принципов кредитного скоринга — узбекский язык обязателен — опыт работы в банковской сфере или финтехе — уверенный SQL и Python, практический опыт с Apache Spark — опыт внедрения и сопровождения ML-моделей в продакшене — понимание MLOps и полного жизненного цикла ML-моделей Будет большим плюсом: — опыт работы в банках или финтех-компаниях Узбекистана Условия: — полная занятость — зарплата до 4000 USD на руки — Ташкент, работа из офиса — долгосрочный проект

Задачи: — Разработка и внедрение ML моделей на клиентской базе B2C и B2B для инвестиционных, страховых и сберегательных продуктов. — Работа с рекомендательными системами и моделями отклика для СберБанк Онлайн и СберИнвестиций. — Создание NLP-моделей на текстовых данных. — Использование продвинутых подходов классического ML, включая uplift-моделирование, работу с несбалансированными классами, feature engineering на больших данных, SOTA-алгоритмы. Обязанности: — Построение ML моделей на основе табличных данных, последовательностей событий (кликстрим, транзакции и т.д.), текстовых данных. — Написание production-ready кода и передача его в CI/CD пайплайн команды MLOps с ответственностью за качество кода и воспроизводимость. — Улучшение процесса построения моделей, разработка прикладных модулей командного фреймворка для повышения производительности DS и улучшения качества кода в промышленной среде. — Выдвижение data-driven гипотез и предложений для запуска новых механик, поиск инсайтов в данных. Требования: — Глубокое знание классического ML и опыт применения к реальным бизнес-задачам (градиентный бустинг, NLP алгоритмы). — Понимание основных Deep Learning подходов. — Продвинутое знание SQL (оконные функции, оптимизация плана запроса). — Отличное знание Python, включая библиотеки catboost, pandas, numpy, sklearn, torch. — Опыт работы с Hadoop, PySpark (оптимизация запросов, работа на общем кластере). Условия: — Комфортный современный офис рядом с м. Кутузовская. — Ежегодный пересмотр зарплаты, годовая премия. — Корпоративный спортзал и зоны отдыха. — Более 400 образовательных программ СберУниверситета для профессионального и карьерного развития. — Расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа. — Ипотека для сотрудников выгоднее до 4%. — Бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров. — Вознаграждение за рекомендацию друзей в команду Сбера.

Задачи: — Разрабатывать и внедрять ML-модели для прогнозирования поведения клиентов-физических лиц и розничного продуктового портфеля Банка — Рассчитывать ожидаемые денежные потоки по кредитным и пассивным продуктам Банка Требования: — Опыт работы в банковской сфере — Опыт разработки и внедрения ML-моделей от сырых данных до production — Работа с табличными данными — Свободное владение Python: Pandas, NumPy, Matplotlib (или аналогичными инструментами визуализации) — Знание SQL: оконные функции, сложные JOIN, оптимизация запросов к БД — Хорошее владение ML-библиотеками: CatBoost, LightGBM, XGBoost, Scikit-learn — Умение проводить стресс-тесты и А/В-тесты — Понимание особенностей розничных банковских бизнес-процессов — Преимуществом будет знание MLflow, Airflow, Butch Scoring, Docker, Spark / PySpark Условия: — Офисный формат работы — Офис в центре Москвы

Semantics Innovations — технологическая IT-компания, которая специализируется на разработке, тестировании и внедрении программного обеспечения для цифровой экономики и финансового сектора. Офис в Астане, Казахстан.

Задачи: — разработка моделей по продуктам кредитов физических лиц (КФЛ) для Блока Финансы — модели досрочного погашения кредитов/вкладов ФЛ на портфельном/клиентском уровне — модели эластичности КФЛ — модели рефинансирования КФЛ — модели детекции аномалий по НОСТРО счетам Обязанности: — сбор и подготовка данных (Hadoop, pyspark) — тестирование различных гипотез — полный пайплайн разработки модели (бустинг, нейронные сети, временные ряды) — общение с заказчиками и Data Engineer Требования: — опыт работы Data Scientist от 2 лет — образование по направлениям "Математика", «Физика», «Мат. методы в экономике» — глубокие знания в области теории вероятностей, статистики — понимание алгоритмов ML-моделей (регрессии, классификации и т. д.) — владение Python (numpy, sklearn, pandas, matplotlib/seaborn/plotly, catboost/lightgbm/xgboost и др.) — будет плюсом владение одним из фреймворков DL, pyspark Условия: — комфортный современный офис рядом с м. Кутузовская — офисный формат работы — ежегодный пересмотр зарплаты, квартальная и годовая премия (зависит от должности и системы премирования) — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — программа адаптации и помощь руководителя на старте (для вакансий уровня Junior) — 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 Сбера.

Задачи: — создание и развитие решений с задействованием LLM-агентов (полноценные мультиагентские системы) — создание RAG-систем — разработка и поддержка ML/DL моделей, включая их обновление и адаптацию к меняющимся условиям и требованиям бизнеса — дообучение и адаптация открытых LLM — создание системы мониторинга качества моделей и контроль их эффективности. Требования: — опыт работы от 3-х лет в коммерческой разработке на позиции Data Scientist / ML Engineer с подтверждённым опытом вывода моделей в продакшен — понимание математики классического ML и архитектуры нейросетей (PyTorch/TF) — уверенное понимание архитектуры трансформеров, опыт работы с LLM API и локальными моделями через PyTorch / Hugging Face — уверенный Python (чистый код, ООП, знание numpy/pandas/scikit-learn) и понимание принципов микросервесной архитектуры (Asyncio, FastAPI) — опыт создания агентов на LangChain/LangGraph — знание основных концепций промпт-инжиниринга и использования Structured Outputs и Function Calling — опыт проектирования и развития RAG-систем (Multi-stage Retrieval, Dense + Sparse/BM25, Rerankers, Chunking strategies) — опыт развертывания локальных open-source моделей (Llama, Mistral, Qwen, DeepSeek и др.) в продакшн-окружении и настройки высокопроизводительного инференса LLM с помощью vLLM — опыт проведения Fine-tuning LLM-моделей (PEFT, LoRA/QLoRA) — настройка мониторинга data drift и model decay, а также валидация моделей — навыки работы с генеративными AI-моделями; опыт создания AI-агентов и использования их в работе будет преимуществом — опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов — инструментальное владение AI для анализа, генерации и автоматизации. Условия: — инновационные, амбициозные проекты и задачи, которые развивают: всегда есть возможность прокачать свои навыки в работе и профессионально расти — среда для обмена знаниями – высокая экспертиза внутри команды — сплоченная команда, работающая над общими задачами и умеющая хорошо отдыхать — нашу культуру создают сами сотрудники – мы их слышим и помогаем создавать и поддерживать корпоративные комьюнити по интересам — стабильная заработная плата и годовой бонус — полностью офисный формат работы. Современный IT-офис вблизи Москва-Сити в пяти минутах от метро "Кутузовская", с фитнес залом — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа — вознаграждение за рекомендацию друзей в команду Сбера.

The role will also contribute to enhancing and delivering other data-related projects across DHA.

Задачи: — разработка DWH/DataLake/LakeHouse; — построение поставки данных в Batch/NRT/RealTime; — оптимизация ETL; — повышение актуальности данных.

Задачи: — строить ML модели на основе различных данных: табличные, графовые, NLP, GEO, последовательности событий (кликстрим, транзакции и т.д.) — писать production код и выводить его в ПРОМ — улучшать процесс построения моделей, разрабатывать собственные прикладные модули командного фреймворка разработки для повышения производительности DS и улучшения качества кода в промышленной среде — выдвигать data-driven гипотезы/предложения для запуска новых механик, а также поиск инсайтов в данных. Требования: — глубокое знание классического ML — понимание основных Deep Learning подходов — продвинутое знание SQL — отличное знание Python — понимание и опыт АB-тестирования. Будет плюсом: — понимание специфики разработки ML-технологий, начиная с формулировки бизнес-проблемы, заканчивая выведением на регулярную основу в прод — опыт решения задач ранжирования или Real Time Bidding — опыт работы с Pyspark, Greenplum. Условия: — комфортный современный офис рядом с м. Кутузовская — офисный формат работы — ежегодный пересмотр зарплаты, квартальная и годовая премия — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — программа адаптации и помощь руководителя на старте — 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 Сбера.

Задачи: — работа с ценообразованием — uplift-моделирование — задачи ранжирования — модели склонности — look-a-like модели — response модели — работа с регрессионными таргетами — кластерный и факторный анализ Требования: — опыт в ML задачах не менее 3 лет — глубокое понимание классического машинного обучения — продвинутые знания статистики и машинного обучения — опыт оценки качества результатов (DS и бизнес-валидация) — опыт проведения A/B-тестов — хорошие знания Python и SQL Будет плюсом: — опыт работы с Transformers — успехи в ML-соревнованиях и хакатонах — навыки работы с генеративными AI-моделями — опыт создания AI-агентов и использования их в работе — опыт использования GigaChat, Kandinsky и аналогов в продуктах Условия: — работа в современном офисе недалеко от метро Кутузовская — ежегодный пересмотр зарплаты и годовая премия — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета — расширенный ДМС, льготное страхование для семьи, 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 Сбера

Задачи: — разработка и развитие LLM-проектов в юридическом домене — от прототипов до продакшена — проектирование и обучение агентов-экспертов, решающих задачи правового домена (RAG-пайплайны, классификация запросов, генерация ответов, оценка релевантности) — исследование и настройка multi-agent orchestration (LangGraph, LangChain, schema guided reasoning pipelines) — работа с GigaChat как основной моделью, а также эксперименты с ChatGPT, Gemini, Qwen — дообучение малых моделей (instruction-tuning, adapters, LoRA) для повышения качества юридического рассуждения — разработка метрик качества — взаимодействие с инженерами и аналитиками права — внедрение моделей в реальные кейсы (алиментные, потребительские, трудовые и т.д.) Требования: — опыт работы DS/ML-инженером от 3х лет — понимание архитектуры LLM и принципов prompt engineering — опыт построения RAG-систем, fine-tuning и дообучения моделей — умение проектировать пайплайны inference / retraining Будет плюсом: — опыт в LegalTech или смежных областях (финансы, документооборот, чат-боты) — понимание структуры и логики российских нормативных актов — опыт интеграции LLM с внешними API или базами знаний Условия: — формат работы офис на испытательном сроке, локация офиса ул Вавилова д.19 — ежегодный пересмотр зарплаты, годовая премия — корпоративный спортзал и зоны отдыха — более 400 образовательных программ СберУниверситета для профессионального и карьерного развития — 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 Сбера.

Задачи: — Повышение качества RAG-агентов по трём направлениям: поиск по технической документации, нормативной базе, бухгалтерской документации; — Промпт-инжиниринг и контекст-инжиниринг для всех агентов команды; — Подготовка эталонных наборов оценки качества; — Реализация LLM-as-a-judge для автоматических регрессионных проверок; — Настройка защит для production-агентов: фильтры от инъекций в промпт, валидация структуры и контента выходов, защита от утечек персональных данных, anti-hallucination механизмы; — A/B-тестирование промптов и моделей для подбора лучших конфигураций; — Тюнинг качества по сигналам обратной связи пользователей и трассировкам из Langfuse. Требования: — Python от 2 лет коммерческой разработки; — Практический опыт RAG-систем в продакшене: эмбеддинги, векторные базы (Qdrant, FAISS или pgvector), переранжирование, чанкинг; — Опыт построения и поддержки как минимум одного RAG-решения от начала до конца, не прототип; — Практический опыт оценки качества LLM-систем: подготовка эталонных наборов, offline-метрики, LLM-as-judge, регрессионные проверки; — Опыт работы с фреймворками оценки (Ragas, DeepEval или аналоги); — Практический опыт настройки защит для LLM-приложений: защита от инъекций в промпт, валидация структуры и контента выходов, защита от утечек персональных данных; — Опыт промпт-инжиниринга и контекст-инжиниринга в реальных проектах: итеративная настройка промптов, structured output, function calling; — Понимание архитектуры RAG: стратегии нарезки документов, метаданные, выбор моделей эмбеддингов, переранжирование, точность ссылок на источник; — Практический опыт работы хотя бы с одним LLM-фреймворком: LangChain, LangGraph, PydanticAI, OpenAI API или аналоги; — Практический опыт A/B-тестирования промптов и моделей в продакшене; — Опыт работы с агентскими протоколами (MCP) или собственным tool-layer для агентов; — SQL и работа с реляционными базами на базовом уровне.