Вакансии

Databricks, an American IT firm specializing in a unified cloud platform for big data and AI, is seeking Forward Deployed Engineers in Amsterdam and Senior Forward Deployed Engineers in Stockholm. Candidates should have experience with Python, Scala, JavaScript or TypeScript, Apache Spark, and cloud platforms such as AWS, Azure, or GCP. Familiarity with CI/CD pipelines, MLOps, machine learning and AI models, as well as AI APIs, is required. These positions are on-site roles.

Location: United Kingdom, London Why Sony Interactive Entertainment? Sony Interactive Entertainment isn’t just the Best Place to Play — it’s also the Best Place to Work. Sony Interactive Entertainment (SIE) is the company behind the PlayStation brand. As a subsidiary of Sony Group Corporation, we’re part of a proud legacy of innovation and excellence. SIE is a dynamic technology company, delivering cutting-edge hardware and network services to more than 100 million people and an entertainment leader, home to some of the most beloved and recognizable intellectual properties (IP) in the world. Our role at SIE is to create and nurture the experiences under the PlayStation brand, a name synonymous with entertainment excellence and creativity. Role Overview: We are seeking a Senior Director to lead our Enterprise Reporting and Analytics Engineering organization, a team of analytics engineers, report developers, visualization specialists, and people leaders. This organization focuses on the last mile of the enterprise data supply chain: the semantic models, curated data products, metric definitions, and consumption experiences that turn engineered data into decisions. This is not a traditional reporting leadership role; the classic notion of “reporting” in the form of a myriad of dashboards and filters is racing towards obsolescence. But the need for data and insights, and the need to deliver it in a way that is digestible and actionable, is timeless. Yes, governed dashboards and trusted reporting remain the foundation, and this leader must be excellent at that foundation. But the mandate is to move the organization decisively beyond static reporting toward a proactive, intelligent analytics capability: partnering with Data Science to productize and visualize their models, enabling generative AI and LLM-based access to our data, building exception-based systems that alert users when outcomes deviate from expectation in a statistically meaningful way, and designing agents that monitor data continuously and deliver insight without being asked. Analytics engineering shares much of its DNA with data engineering — modeling, transformation, testing, version control, CI/CD, performance and cost discipline — but is oriented toward business enablement rather than platform and pipeline. Success in this role therefore depends as much on partnership as on technical depth. This leader will work shoulder to shoulder with Data Engineering on the boundary between platform and consumption, with Product Management on roadmap and requirements, with Data Science on advanced analytic products, and with Analytics Operations on a disciplined intake and prioritization process that makes the best possible use of finite capacity. The ideal candidate has spent years building the traditional foundations — governance, metadata, lineage, dimensional modeling, engaging with enterprise BI platforms— and is now looking to apply that rigor to a fundamentally different generation of analytic products in new and innovative ways. What you'll be doing: Organizational Leadership Lead, coach, and develop an organization of approximately 30 people, including managing through frontline managers; own hiring, role clarity, career pathing, performance management, and succession planning. Define a multi-year vision and roadmap for enterprise reporting and analytics engineering, and translate it into quarterly outcomes the team and its partners can measure. Partner closely with Product Management to jointly shape the multi-year enterprise end-to-end data strategy. Own the organization's budget, vendor relationships, and contractor or offshore capacity. Establish and sustain an engineering culture within an analytics function: peer review, automated testing, documentation standards, source control, CI/CD, etc. Analytics Engineering and Data Architecture Drive maturity of the last-mile architecture in partnership with Data Engineering: curated marts, semantic layers, reusable data products, and certified datasets that serve reporting, ai enablement, data science, and downstream applications. Define and enforce dimensional modeling standards, transformation frameworks, and modular, tested, version-controlled analytics code. Own the enterprise metric layer so that key business measures carry a single, governed definition regardless of where they are consumed. Partner with Data Engineering to define clear contracts and handoffs between pipeline and platform work and last-mile modeling, including shared tooling, standards, and escalation paths. Manage query performance, warehouse consumption, and platform cost as first-class engineering concerns. Data Governance, Metadata, and Lineage Own cataloging, business glossary, data certification, and stewardship workflows, leveraging tools such as Atlan as the primary metadata platform. Maintain column-level lineage across the analytics estate to support impact analysis, change management, audit, and root-cause investigation. Leverage data access provisioning and entitlement models, including row- and column-level security, in partnership with Security, Privacy, and Compliance. Collaborate with Data Engineering to drive data quality monitoring, freshness and availability SLAs, observability, and incident response for analytic assets. Enterprise Reporting and Data Visualization Drive analytics engagement by leveraging enterprise visualization and provisioning platforms, including Domo and Tableau, in partnership with Data Engineering. Ensure best practices are followed in data architecture, governance, adoption, performance, and total cost management. Set visualization and information design standards that make reports readable, consistent, accessible, and decision-oriented. Rationalize the existing reporting portfolio: retire redundant and unused assets, consolidate overlapping content, drive down tech debt and drive consumption toward certified sources. Build a durable self-service capability through training, templates, community, office hours, and clear guardrails on what belongs in self-service versus centrally managed content. Advanced, Proactive, and AI-Enabled Analytics Partner with Data Science to productize their work: build the visualization, interaction, monitoring, and feedback loops that turn models and research into products the business actually uses. Partner with Product Management and Data Engineering to enable generative AI and LLM access to enterprise data. This includes preparing the semantic and metadata foundation that makes data legible to models, delivering conversational analytics, text-to-SQL, and retrieval-augmented experiences on governed sources, and establishing guardrails, evaluation, and accuracy monitoring so that answers can be trusted. Build exception-based analytics that detect when an outcome deviates from its expected value in a statistically significant way, using seasonality-aware baselines, forecast residuals, control limits, and anomaly detection rather than static thresholds. Route those exceptions to accountable owners with context, likely drivers, and a recommended next action; actively tune sensitivity and volume to prevent alert fatigue and preserve signal. Design and deploy analytic agents that proactively monitor data, investigate variances, assemble narrative explanations, and deliver insight into the tools where people already work. Shift the organization's consumption model from pull to push: the measure of success is not how many people opened a dashboard, but whether the right person was told the right thing at the right time. Cross-Functional Partnership, Intake, and Prioritization Operate as a true partner to Product Management: contribute to roadmap, requirements, user research, and release planning, and run analytics with a product mindset covering personas, adoption metrics, and asset lifecycle management. Partner with Analytics Operations to run a transparent intake, triage, sizing, and prioritization process, with published capacity, explicit tradeoffs, and reliable delivery commitments. Make capacity constraints visible to stakeholders and executives, drive reuse over one-off builds, and decline or defer work with evidence rather than friction. Serve as a senior, executive-facing partner to business functions, translating ambiguous business questions into well-scoped analytic solutions. What we're looking for: Bachelor's degree in Computer Science, Information Systems, Engineering, Statistics, Mathematics, Economics, or a related quantitative field; equivalent professional experience will be considered. 15+ years of progressive experience in data, analytics, or business intelligence, including 8+ years leading teams and 4+ years managing managers. Demonstrated experience leading an organization of 25 or more people in a large, matrixed enterprise. Strong hands-on foundation in SQL, dimensional modeling, and ELT/ETL design, with production experience on a modern cloud data warehouse or lakehouse (for example Snowflake, Databricks, BigQuery, Redshift, or Synapse) and a transformation framework such as dbt. Experience applying software engineering practices to analytics work, including Git-based workflows, automated testing, and CI/CD. Enterprise-scale leveraging of BI and data visualization platforms such as Domo, Tableau, Power BI, or Looker, including governance, provisioning, adoption, and cost management. Demonstrated ability to participate in driving data governance program covering catalog, lineage, glossary, stewardship, quality, and access, using platforms such as Atlan, Collibra, Alation, or Informatica. Proven track record of delivering jointly with Data Engineering and Product Management, with clear ownership boundaries and shared accountability. Direct experience partnering with Data Science, including operationalizing, visualizing, and monitoring model output for business consumption. Working command of the statistical concepts underlying exception detection, including hypothesis testing, confidence intervals, variance and control limits, seasonality, and forecasting. Experience running a formal intake, prioritization, and capacity planning process for a shared services or platform organization. Excellent executive communication and influence skills, with the ability to operate effectively amid ambiguity and competing priorities. Experience managing budget, vendor contracts, and platform licensing. Preferred Skills: Master's degree or MBA in a related field. Production experience delivering LLM-based analytics: retrieval-augmented generation over governed data, text-to-SQL or conversational BI, semantic layers designed for model consumption, and prompt, evaluation, and cost monitoring frameworks. Experience designing agentic workflows and orchestration for monitoring, investigation, and notification use cases. Hands-on experience with Atlan, Domo, and Tableau specifically. Proficiency in Python or R for prototyping, and familiarity with common statistical and ML libraries and MLOps concepts. Experience deploying anomaly detection at scale, including alert routing, suppression, and fatigue management. Familiarity with data product and data mesh operating models, domain-aligned ownership, and data contracts. Experience operating in an Agile or product operating model at scale, including portfolio, OKR, and roadmap management. Deep experience with the “Silicon Valley” school of Product Management, as exemplified by the “Marty Kagan”-style academic approach a significant plus. Experience leading global or matrixed teams, including offshore or vendor-partnered delivery models. Track record leading a major platform migration, consolidation, or reporting rationalization effort. Demonstrated success attracting, developing, and retaining senior technical talent in a competitive market. Please note, Sony Interactive Entertainment conducts background checks at the offer stage for all new employees (which may include criminal background checks for some roles) and will need to process personal information to support these checks. Please refer to our Candidate Privacy Notice for more information about what personal information we collect, how we use it, who we share it with, and your data protection rights. Equal Opportunity Statement: Sony is an Equal Opportunity Employer. All persons will receive consideration for employment without regard to gender (including gender identity, gender expression and gender reassignment), race (including colour, nationality, ethnic or national origin), religion or belief, marital or civil partnership status, disability, age, sexual orientation, pregnancy, maternity or parental status, trade union membership or membership in any other legally protected category. We strive to create an inclusive environment, empower employees and embrace diversity. We encourage everyone to respond. Sony Interactive Entertainment is a Fair Chance employer and qualified applicants with arrest and conviction records will be considered for employment.

Location: Indianapolis, United States; Chicago, United States; Cincinnati, United States; Columbus, United States; West Lafayette, United States; Bloomington, United States Location: Indianapolis, IN Metro (Hybrid / 3-Day Onsite) (Open to Regional/EST Candidates with Onsite Travel) Contract Type: Contractor Full-Time / Enterprise Project Engagement (Outsourced via Xenon7) About Xenon7 Where elite tech talent meets world-class opportunities! At Xenon7, we work with leading enterprise clients and innovative startups on high-impact projects across Data, AI, Cloud, and Software Engineering. Our expertise in AI solution architecture and specialized technical talent allows us to partner with enterprise leaders on transformative initiatives, driving innovation and business growth. Job Summary We are seeking a Senior Machine Learning Engineer with extensive experience in production MLOps, model deployment, and system scaling to drive ML engineering initiatives for a top-tier life sciences client. This role sits at the critical intersection of production ML infrastructure, life science research, and manufacturing process engineering. In this position, you will own the architectural design and hands-on execution of production ML systems, model integration APIs, and scalable MLOps pipelines. You will bridge complex domains—from computational biology, small and large molecule research, and clinical trial analytics to active pharmaceutical ingredient (API) manufacturing processes, batch optimization, and industrial automation ML. Operating in a 3-day onsite hybrid capacity in Indianapolis, you will collaborate directly with process engineers, life science researchers, and platform engineering teams to build robust, low-latency ML systems that scale across the enterprise. Key Responsibilities Production MLOps & Systems Architecture Design, deploy, and maintain robust, production-grade MLOps pipelines and infrastructure for continuous model training, deployment, versioning, and monitoring. Implement automated model drift detection, performance monitoring, and self-healing inference pipelines in high-reliability environments. Process Engineering & Manufacturing ML Integration Operationalize and integrate production ML models into operational technology (OT), API manufacturing workflows, and chemical process control systems. Deploy predictive models for batch processing, process control optimization, real-time quality assurance, and facility automation use cases. Scalable Inference & System Integration Build low-latency, high-throughput microservices and serving architectures (FastAPI, Triton Inference Server, TorchServe) for model deployment into live production applications. Containerize and orchestrate ML workloads across distributed cloud and edge systems using Kubernetes, Docker, and modern pipeline engines (Kubeflow, MLflow). Technical Leadership & Domain Alignment Partner directly with chemical engineers, computational biologists, and software architects to translate operational friction into production-ready ML engineering solutions. Establish enterprise MLOps standards, model governance, and CI/CD best practices across the full machine learning operational lifecycle. Requirements Experience & Mindset Experience: Senior-level proficiency (10–20+ years) in software engineering, MLOps, production ML system deployment, and infrastructure scaling. Domain Adaptability: Demonstrated ability to deploy and maintain production ML systems across non-standard, highly specialized domains (e.g., transition between process/chemical engineering ML and clinical/scientific research applications). Location & Work Auth: Must hold unrestricted US Work Authorization (no sponsorship available) and be able to work 3 days per week onsite in the Indianapolis, IN area. Culture & Communication: Pragmatic problem-solving mindset, strong collaborative drive, and the ability to articulate complex MLOps architecture to cross-functional engineering teams. Must-Have Technical Stack Languages & Frameworks: Advanced Python, C++, and deep proficiency with PyTorch, TensorFlow, or Scikit-learn. MLOps & Serving: Proven expertise with Triton Inference Server, TorchServe, MLflow, Kubeflow, or Databricks ML runtime. Infrastructure & Orchestration: Hands-on expertise with Kubernetes, Docker, CI/CD pipelines, FastAPI/gRPC, and cloud platform ecosystems (AWS/Azure). Monitoring & Integration: Experience building real-time model monitoring, feature stores, drift detection systems, and integration with enterprise data pipelines. Domain Competency (Scientific & Process Focus) Deep exposure to applying ML models in either scientific/clinical domains (drug discovery, small/large molecule, computational biology) OR chemical/process engineering environments (API manufacturing, batch processing, SCADA/MES integration, process optimization). Nice-to-Haves & Certifications Academic background in Chemical Engineering, Bio-process Engineering, Computer Science, or a related STEM discipline. Direct experience operationalizing ML models inside regulated GxP environments in the Life Sciences or Specialty Chemicals sectors. Certifications: AWS Certified Machine Learning – Specialty, Databricks Certified Machine Learning Professional, or equivalent MLOps credentials. What This Role Is NOT Not a Data Scientist or Exploratory R&D Specialist: You will not be focusing on exploratory data analysis, academic algorithms, or standalone Jupyter notebook modeling; you are building, scaling, and maintaining production MLOps pipelines, inference engines, and model integration code. Not a non-coding Architect: This is a 100% hands-on MLOps and software engineering lead role requiring direct model deployment, infrastructure creation, and technical execution. Not a Fully Remote Position: This role requires a steady hybrid commitment of 3 days onsite per week at the client site in Indianapolis.

Location: Москва **ИТ B2C** — самая крупная экосистема в Сбере. Нас более 8000 человек в 18 городах России. Мы занимаемся разработкой и развитием розничных решений, помогая сделать сервисы Банка доступнее, безопаснее и удобнее. Ждем именно тебя! Мы — команда экспертов, объединённых общей страстью к искусственному интеллекту и рекомендательным системам. Наша главная задача — создание современной масштабируемой рекомендательной платформы, способной предвосхищать ожидания пользователей и предлагать персонализированные рекомендации на каждом этапе их взаимодействия с экосистемой Сбер. Наши решения охватывают широкий спектр отраслей: от финансов и e-commerce до индустрии развлечений и здравоохранения. Мы следим за развитием технологий, экспериментируем с новыми ML-подходами, внедряем их в платформу и доводим до конкретного применения в бизнесе. Мы ищем **Lead ML Engineer**, который будет отвечать за технологическое развитие направления рекомендательных систем и формирование единой инженерной и операционной среды для DS- и MLE-команд. В зоне ответственности — скорость и воспроизводимость проверки DS-гипотез, качество разработки и вывода моделей в production, а также надёжная эксплуатация ML-решений с предсказуемыми качеством и стоимостью. Обязанности * формировать технологическое видение и roadmap развития ML Engineering и MLOps в направлении рекомендательных систем, определяя ключевые инженерные приоритеты и точки роста * развивать единый жизненный цикл ML-решений — от формулирования и воспроизводимой проверки DS-гипотез до запуска моделей в production, мониторинга и дальнейшего сопровождения * создавать инженерные стандарты и практики, которые помогают командам выпускать качественные и надёжные модели: требования к коду и данным, тестированию, версионированию, документированию, релизам * управлять портфелем технологических инициатив, находя баланс между развитием новых возможностей, повышением надёжности и устранением архитектурных ограничений * повышать производительность DS/MLE команд за счёт автоматизации, стандартизации, переиспользуемых компонентов и упрощения пути от эксперимента до production * развивать применение GenAI в процессе создания ML-решений: находить наиболее перспективные сценарии, запускать пилоты и оценивать их влияние на скорость и качество разработки * повышать масштабируемость, надёжность и экономическую эффективность ML-инфраструктуры * развивать ML-инженеров и технических лидеров направления. Требования * опыт технического лидерства в крупном ML-направлении не менее двух лет: умение формировать технологическое видение и roadmap, а также доводить системные изменения до результата * глубокое понимание полного жизненного цикла ML-решений — от эксперимента и обучения модели до production, мониторинга, масштабирования и дальнейшего сопровождения * опыт проектирования и развития высоконагруженных ML-систем, включая batch-, streaming- и real-time-сценарии * опыт взаимодействия с продуктовыми, платформенными и инфраструктурными командами, включая согласование приоритетов и защиту потребностей своего направления * умение принимать решения в условиях конфликтующих приоритетов, объяснять компромиссы и доводить выбранные инициативы до результата * опыт people management в DS/MLE командах: найм и адаптация сотрудников, постановка целей, регулярная обратная связь, performance review, развитие и удержание специалистов, а также формирование среды для обмена знаниями и распространения сильных инженерных практик * опыт внедрения GenAI-инструментов в процессы разработки и оценки их влияния на скорость и качество работы команд. **Будет большим плюсом:** * опыт работы с рекомендательными системами, поиском, ранжированием, персонализацией или рекламными технологиями * практический опыт работы в роли Data Scientist: формулирование и проверка ML-гипотез, оценка качества моделей и участие в A/B-тестах. * опыт эксплуатации real-time ML-систем на масштабе миллионов пользователей и при строгих требованиях к latency и availability. **Стек технологий:** Python, PySpark, PyTorch, RePlay, GigaChat, Airflow, MLflow, Kubernetes, Redis, Kafka, S3, FastAPI и другие инструменты для разработки, обучения, внедрения и мониторинга ML-моделей. Условия * комфортный современный офис рядом с м. Кутузовская * ежегодный пересмотр зарплаты и 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: — Руководство и наставничество в команде Data Science Требования: — Опыт работы в Data Science не менее 5 лет, предпочтительно в мобильных потребительских продуктах — Глубокие знания в области монетизации рекламы, оптимизации доходов или аналитики рекламы — Опыт работы с системами рекомендаций, персонализации или ранжирования — Продвинутые навыки Python и SQL — Экспертиза в машинном обучении, предиктивном моделировании, прогнозировании и прикладной статистике — Опыт работы с большими поведенческими наборами данных — Опыт руководства или наставничества в командах Data Science — Родной русский язык Будет преимуществом: — Знание и опыт работы с AdMob, AppLovin, Unity Ads, ironSource — Опыт с MLOps и облачными платформами AWS, GCP, Azure — Знания в области LLMs и генеративного ИИ

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: — Руководить командой Computer Vision Engineers — Проектировать архитектуру production AI-систем — Менторить инженеров и проводить code review — Декомпозировать задачи и контролировать качество реализации — Разрабатывать пайплайны обработки десятков и сотен RTSP-потоков — Оптимизировать инференс на GPU и CPU — Принимать ключевые технические решения — Участвовать в найме и развитии AI-команды Основной стек: Python, PyTorch, OpenCV, YOLO, RTSP, GStreamer, NVIDIA DeepStream, TensorRT, Triton Inference Server, ONNX, OpenVINO, CUDA, FastAPI/gRPC, Docker и Kubernetes. Что важно: ✅ Сильный коммерческий опыт в Computer Vision и Video Analytics ✅ Опыт технического лидерства или менторства ✅ Запуск production AI-систем ✅ Уверенное знание Python, PyTorch, OpenCV и YOLO ✅ Практический опыт с RTSP, GStreamer, DeepStream и TensorRT ✅ Оптимизация моделей через ONNX, TensorRT, OpenVINO, CUDA или Quantization ✅ Понимание высоконагруженной обработки видеопотоков ✅ Умение принимать и аргументировать архитектурные решения Будет плюсом: ➕ Triton Inference Server ➕ C++ и CUDA ➕ Kafka и потоковая обработка данных ➕ MLflow и MLOps ➕ ViT, DETR, Swin и Video Transformers ➕ VLM, RAG, LangGraph, vLLM и Function Calling ➕ Опыт найма и формирования AI-команд Предлагаем влияние на архитектуру и технологический стек, сильную инженерную команду и работу над высоконагруженной системой промышленного уровня.

Задачи: — Проектировать платформенные паттерны от начала до конца, создавать эталонные реализации, документировать обоснования и сотрудничать с командами внедрения. — Участвовать в еженедельных архитектурных обзорах, обеспечивая последовательность и расширяя библиотеку стандартов и архитектурных решений. — Отвечать за архитектурное руководство в одной из областей: облачная инфраструктура или архитектура данных. — Определять жизненный цикл технологий, проводить оценку новых технологий через POC, управлять стандартами внедрения и снятия с эксплуатации, оптимизировать затраты совместно с FinOps. — Поддерживать команды R&D, проводить обзоры дизайна и консультации по сложным инфраструктурным решениям. — Формировать многолетнюю стратегию платформы, включая опыт разработчиков, конвейеры доставки и инструменты архитектурного обзора с AI. Требования: — Широкий опыт архитектуры инфраструктуры, умение защищать архитектурные решения в продуктивных системах. — Опыт работы с мультиоблачными средами GCP и/или AWS, глубокое понимание Kubernetes (GKE или аналог). — Владение Infrastructure as Code, включая Terraform и GitOps, опыт проектирования и ревью модулей. — Глубокие знания в одной или нескольких областях: облачная инфраструктура (сетевые паттерны AWS/GCP, Kubernetes, Istio, безопасность и масштабируемость) и/или архитектура данных (Kafka, Pub/Sub, SQL/NoSQL базы, аналитические колонки, pipeline). — Способность разрабатывать прототипы, анализировать поведение систем под нагрузкой. — Лидерские качества, навыки технической коммуникации и внедрения стандартов без формального управления. — Опыт проведения технологических оценок и POC. — Знания инфраструктуры для AI/ML нагрузок, включая модели, базы векторов, оценку затрат и задержек. Преимущества: — Глубокие знания в обеих областях: облачная и дата инфраструктура. — Опыт с политиками GCP, организационной структурой и IAM. — Знания Confluent Platform. — Опыт участия в архитектурных советах. — Опыт с AI-усиленными архитектурными инструментами. — Опыт с MLOps инструментами (MLflow, Kubeflow, Vertex AI Pipelines, SageMaker). Образование и опыт: — Степень бакалавра в области компьютерных наук или эквивалентный опыт. — 10-15+ лет опыта в облачной инфраструктуре, платформенной инженерии, DevOps или архитектуре данных.

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: — Управление командами Data Analysts и Data Scientists, распределение задач, развитие экспертизы и формирование рабочих процессов. — Формирование и развитие data-driven стратегии направления Soft Collection. — Анализ поведения клиентов и эффективности стратегий коммуникации с клиентами. — Разработка и внедрение ML-моделей для прогнозирования вероятности платежа, сегментации клиентов, определения оптимального канала и времени коммуникации, приоритизации клиентов и оценки эффективности стратегий collection. — Разработка стратегий Decisioning / treatment для определения кому, когда и каким способом осуществлять коммуникацию. — Проведение A/B-тестов и uplift-исследований, оценка причинно-следственного воздействия стратегий взыскания. — Развитие системы KPI и метрик направления: cure rate, roll rate, recovery rate, collection rate, cost-to-collect, ROI и других бизнес-метрик. — Создание аналитических витрин, дашбордов и систем мониторинга эффективности стратегий и моделей. — Взаимодействие с бизнесом, Collection, Risk, IT, Data Engineering и другими подразделениями. — Преобразование бизнес-задач в аналитические и ML-задачи, обеспечение внедрения в production. — Ответственность за качество моделей, мониторинг производительности и регулярный пересмотр стратегий. — Развитие культуры experimentation и принятия решений на основе данных. Требования: — Уверенное владение Python: pandas, numpy, sklearn и ML-библиотеки. — Продвинутый уровень SQL. — Хорошее понимание статистики, ML и методов оценки моделей. — Опыт в A/B-тестах, propensity-моделях, классификации, сегментации и прогнозировании. — Знание банковских/финансовых метрик и кредитных процессов — большой плюс. — Опыт работы с большими данными и распределёнными вычислениями — преимущество. — Опыт разработки аналитических решений и ML-моделей от постановки задачи до внедрения в production. — Понимание принципов MLOps и мониторинга моделей — преимущество. — Опыт работы с BI-инструментами и созданием управленческих дашбордов. — Опыт управления командами аналитиков / Data Scientists или техническое лидерство. — Умение самостоятельно формировать roadmap направления. — Сильные коммуникативные навыки и умение говорить на языке бизнеса и финансовых результатов. — Умение декомпозировать сложные задачи и расставлять приоритеты. — Ориентация не только на качество аналитики или моделей, но и на бизнес-эффект. — Способность развивать сотрудников и повышать профессиональный уровень команды.

Location: Barcelona, Spain; Sant Cugat del Vallès, Spain; Zaragoza, Spain; Girona, Spain; Reus, Spain; València, Spain Location: Barcelona (Hybrid / Flexible) Contract Type: Contractor Full-Time / Enterprise Project Engagement About Xenon7 Where elite tech talent meets world-class opportunities! At Xenon7, we work with leading enterprise clients and innovative startups on high-impact projects across Data, AI, Cloud, and Software Engineering. Our expertise in AI solution architecture and specialized technical talent allows us to partner with enterprise leaders on transformative initiatives, driving innovation and business growth. Job Summary We are seeking a high-caliber Forward Deployment Engineer (FDE) to sit at the intersection of enterprise AI platforms and executive Finance business functions for our Fortune 100 enterprise client. This role bridges advanced AI platform engineering with direct business impact—translating ambiguous financial challenges into working AI applications, deploying them into regulated client environments, and iterating in tight loops to drive measurable ROI. Rather than building static models or waiting for formal spec sheets, you will operate as a product-minded technical lead. You will prototype user-facing tools in days, deploy agentic and RAG workflows on top of enterprise data stacks (Databricks Genie), and ensure high adoption across FP&A, Controllership, Treasury, and CFO leadership. Key Responsibilities End-to-End AI Application Prototyping & Delivery Own the full lifecycle of AI solutions for Finance business units—from initial discovery with CFO stakeholders to production deployment, user adoption, and ROI measurement. Rapidly prototype vertical applications using Streamlit, Databricks Apps, FastAPI/Flask, or lightweight React interfaces within 1–2 weeks to gather real user feedback. Handle "last mile" execution: edge cases, data quirks, business rule exceptions, and user training to turn prototypes into sticky enterprise products. Agentic Systems & LLM Engineering Build production-grade vertical AI tools leveraging Databricks Genie (Genie Spaces, semantic models). Construct robust RAG pipelines incorporating advanced chunking, vector databases (Pinecone, Chroma, FAISS, Azure AI Search, Cortex Search), retrieval evaluation, grounding, and citation. Implement LLM orchestration frameworks (LangChain, LangGraph, LlamaIndex) and apply rigorous prompt engineering with hallucination and accuracy evaluation discipline. Enterprise Data & Regulated Integration Deploy applications inside heavily regulated enterprise environments, adhering strictly to RBAC, data residency, audit, and compliance constraints (SOX, GxP). Connect solutions to governed datasets, semantic models, and core enterprise platforms (SAP, Workday, Coupa, ERP) via secure REST APIs. Instrument all deployed apps with usage metrics, telemetry, and business outcome tracking from day one. Strategic Stakeholder Advisory & Pattern Extraction Work directly with senior Finance leadership (CFO office, FP&A, Controllership) to translate ambiguous operational friction into crisp technical roadmaps. Extract reusable code components, prompt templates, evaluation harnesses, and retrieval patterns into shared enterprise assets for broader deployment. Requirements Experience & Mindset Experience: 5+ years of hands-on software development and full-stack AI application deployment. Product-Shaped Builder: Strong bias for action; comfortable shipping rough prototypes in Week 1 over polished spec documents in Week 4. Ambiguity Tolerance: Proven ability to navigate vague business problems without predefined specifications. Stakeholder Communication: Outstanding ability to interface directly with senior business leaders without requiring intermediary Business Analysts. Must-Have Technical Stack Languages & Frameworks: Python, FastAPI/Flask, SQL, and UI frameworks (Streamlit, Databricks Apps, React). AI Platforms: Direct hands-on experience with Databricks Genie . LLM Engineering: Production experience with LangChain, LangGraph, LlamaIndex, vector search engines, and prompt evaluation harnesses. Cloud & DevOps: Deep working knowledge of Cloud platforms (Azure preferred, AWS/GCP acceptable), modern Git workflows, CI/CD, and basic MLOps awareness (observability, versioning via LangSmith, Datadog, etc.). Domain Competency (Finance Focus) Solid foundational understanding of core Finance business processes (FP&A, order-to-cash, procure-to-pay, record-to-report, close cycles) and common financial metrics (OPEX, EBITDA, gross margin, working capital). Nice-to-Haves & Certifications Prior FDE, Solutions Engineer, or Field Engineer experience at high-growth AI/Data companies (Palantir, Databricks, OpenAI, Anthropic). Industry background in Life Sciences, Pharma, Healthcare, or CPG enterprise Finance. Experience with enterprise Finance software (SAP S/4HANA, Veeva, Workday Adaptive, Oracle Financials). Certifications: Databricks Certified, or Azure AI Engineer Associate (AI-102). What This Role Is NOT Not a pure Data Scientist or ML Researcher: You will not be training or fine-tuning foundation models from scratch; you are applying existing models to business problems. Not a non-coding Architect: This is a 100% hands-on builder role. Not a pure Backend or MLOps Engineer: You must be comfortable owning the user-facing interface and direct business interaction.

Компания Centicore ищет опытного инженера DevOps для работы над централизованной MLOps-инфраструктурой. Задачи: — Конфигурировать и разворачивать инфраструктурные компоненты — Адаптировать и разрабатывать с нуля автоматизированные пайплайны под актуальные бизнес-задачи (AutoML, LLM, computer vision и пр.) — Создавать и поддерживать пользовательские инструменты для работы в едином ML-контуре применения и обучения — Масштабировать разрабатываемые системы и инструменты для управления жизненным циклом моделей машинного обучения Требования: — Опыт DevOps от 5 лет с инструментами docker, helm, jenkins/gitlab CI, python — Желателен опыт ML/MLOps от 1 года с airflow, jupyterhub, mlflow, seldon, cuda — Опыт администрирования Kubernetes от 2 лет — Опыт работы с Hadoop, Spark, Kafka, ELK Условия: — Удаленный формат работы в IT аккредитованной компании — Оформление по ТК — Оплачиваемый отпуск 28 календарных дней в год и оплачиваемые больничные — Предоставление техники (MAC, Windows) — ДМС со стоматологией — Компенсация хобби/спортзала/английского языка — Компенсация профессионального обучения — Возможность участия во внутренних программах компании и активностях — Онлайн и оффлайн корпоративные мероприятия — Программа лояльности Сентибонусы

Location: Paris ABOUT MISTRAL Mistral provides full-stack AI solutions: from frontier models to developer tools, applications, and compute. We partner with enterprises tackling the hardest problems across high-stakes industries like finance, manufacturing, defense, healthcare, and the public sector, co-creating customized AI systems that they can run on their terms. We are a dynamic, collaborative team passionate about AI and its potential to transform society. Our diverse workforce thrives in competitive environments and is committed to driving innovation. Our teams are distributed between Europe, North America, Asia and the Middle East. We are creative, low-ego and team-spirited. The Role   As an Applied Engineering Intern, you will work closely with our Applied AI Engineering team to facilitate the adoption of Mistral AI products among customers and collaborate with them to address complex technical challenges. This role is based in Paris, with an internship duration of 6 months. We are open to CIFRE programs as a continuation after the internship.   What you will do   • Contribute to the deployment of state-of-the-art GenAI applications, driving technological transformation with our customers. • Collaborate with researchers, AI engineers, and product engineers on complex customer projects. • Work with the product and science team to continuously improve our product and model capabilities based on customer feedback.   How We Work in Applied AI   - We care about people and outputs. - What matters is what you ship, not the time you spend on it - Bureaucracy is where urgency goes to vanish. You talk to whoever you need to talk to. The best idea wins, whether it comes from a principal engineer or someone in their first week. - Always ask why. The best solutions come from deep understanding, not from copying what worked before - We say what we mean. Feedback is direct, timely, and given because we care. - No politics. Low ego, high standards. - We embrace an unstructured environment and find joy in it.   About you   • You are currently pursuing a degree in AI, data science, or a related field from a tier 1 engineering school or university. • You have strong programming skills in Python. • You are familiar with machine learning algorithms and natural language processing techniques. • You hold basic understanding of MLOps and deploying machine learning use cases. • You have good communication skills with the ability to explain technical concepts to both technical and non-technical audiences.   Ideally you have: • Experience with deep learning frameworks such as PyTorch. • Familiarity with version control systems (e.g., Git) and Linux shell environment. • Experience working in HPC Environments • Publication record in AI or a related field Location & work authorization: This internship is available only in France. Please apply only if you have the required work authorization to complete the internship in the relevant country for its full duration.   WHAT WE OFFER We offer a comprehensive benefits package designed to support your well-being, growth, and work-life balance. Benefits vary by country and may include healthcare coverage, parental leave, retirement plans, relocation support, wellness programs, meal and transportation allowances, and other location-specific perks. For the most up-to-date details on benefits available in your location, please refer to our Benefits page https://app.notion.com/p/mistralai/Benefits-at-Mistral-36e6ba59a7fe836b93dd01737fcc27ef?source=copy_link. PRIVACY POLICY Your privacy matters to us. You can learn more about how we handle your personal data in our Applicant Privacy Policy https://legal.mistral.ai/terms/applicant-privacy-policy.

Требования: • Агентная разработка (vibe coding) • Опыт продуктовой разработки от 4 лет, уровень senior fullstack • Агентные CLI-инструменты (Claude Code, Codex CLI, Cursor agent mode, Aider) как основной способ работы • Spec-driven development: формулирование функциональных и нефункциональных требований до первого промпта; умение писать инженерные спецификации и контекстные файлы (правила, схемы, markdown) • Модульность: слабая связанность, доменные границы, нарезка проекта на небольшие изолированные файлы • Управление контекстным окном для предотвращения дрейфа и галлюцинаций • Умение сбросить сессию агента и начать заново с более жёсткими ограничениями • Разработка в несколько потоков, менеджмент репозитория под агентную работу, опыт коллаборативной AI-разработки • Ревью и аудит AI-кода: слабые имена, дублирование, отсутствующие проверки, небезопасная работа с данными • Тесты как способ управления агентом: юнит- и интеграционные тесты пишутся до логики фичи • Инфраструктура и восстановление: версионирование, снапшоты БД, бэкапы, CI, процедуры восстановления данных • Готовность писать код руками при необходимости и ответственность за результат, включая код, сгенерированный агентом • Современный типизированный backend-язык с асинхронностью, моделью ошибок, управлением зависимостями, воспроизводимым окружением • HTTP API и realtime-транспорт: REST, двусторонние соединения, стриминг, протокол сообщений, переподключения, валидация схем • Автотесты: юнит- и интеграционные, изоляция внешних сервисов и зависимостей, поддержание тестовых данных • Реляционные БД: схема, миграции, индексы, нетривиальные запросы, понимание пределов БД • Разрешение конфликтов зависимостей, включая бинарную несовместимость библиотек • Компонентный SPA-фреймворк и типизированный JavaScript; готовность сменить фреймворк за неделю • Компонентные тесты в браузерном окружении • Realtime-клиент: переподключения, стриминг, рантайм-валидация сообщений • Медиа в браузере: доступ к устройствам ввода, работа с аудиопотоком, кодирование и передача • Состояние на клиенте и ограничения браузера: защищённый контекст, сертификаты в dev, хранилище • Умеренность в UI: простой интерфейс без тяжёлых фреймворков и дизайн-систем • Классические CV-задачи: детекция, эмбеддинги, кластеризация, обработка изображений и метаданных, дедупликация • Локальные LLM: форматы весов и квантизации, размер контекста, латентность, стоимость запроса; умение измерять • Речевые модели: распознавание и синтез речи, баланс качества и ресурсов, ограничения по задержке и длине входа • Мультимодальные модели: генерация описаний по изображению, оценка качества генерации • Эмбеддинги и векторный поиск: семантический поиск, гибридные схемы, переранжирование, метрики качества • Ресурсы и эксплуатация inference: одна модель на процесс, память ускорителя, батчинг, прогрев, поведение под нагрузкой • Не требуется: обучение моделей с нуля, MLOps, распределённое обучение • Пайплайны обработки как идемпотентные стадии с фиксацией состояния • Понимание разницы между инкрементальным и полным пересчётом и цены ошибки • Целостность данных при деплое, сведение расходящихся баз, миграции данных • Границы сервисов: процессы, владение данными, поведение при отказах • Контейнеризация: образы с тяжёлыми зависимостями, тома для данных и весов моделей, политики перезапуска, диагностика падений • Linux и сеть: удалённый доступ, проброс портов, разрешение конфликтов, чтение логов • Скриптование рутины: деплой, синхронизация данных, ротация логов • Уверенное владение Git, включая нетривиальные операции; чтение истории • Базовая безопасность: сервис без аутентификации локален, секреты не в репозитории, dev/prod режимы разведены • Автоматические smoke-проверки интерфейса после изменений • 4+ года разработки, из них 2+ года бэкенда в продакшене • 1+ год реального фуллстека: разработка клиента и сервера • Проект с LLM/ML как частью продукта • Запуск моделей локально или on-premise • 2–3+ месяца ежедневной работы через агентные инструменты Задачи: • Подключение и настройка USB-камеры: интеграция с ПО, захват видеопотока, детекция лиц, распознавание жестов • Реализация стереоскопического режима 2D→3D на телевизоре без специализированной 3D-панели • Разработка клиентских интерфейсов для телевизора и мобильного устройства по дизайн-макетам, адаптация вёрстки, интеграция с бэкендом, двустороннее realtime-взаимодействие • Разработка технической документации, инженерных спецификаций и контекстных файлов, используемых при агентной разработке

Требования: • Агентная разработка (vibe coding) • Опыт продуктовой разработки от 4 лет, уровень senior fullstack • Агентные CLI-инструменты (Claude Code, Codex CLI, Cursor agent mode, Aider) как основной способ работы — поставленные и поддерживаемые продуктовые фичи, а не прототипы; ключевым является методика, а не знание конкретного инструмента • Spec-driven development: функциональные и нефункциональные требования формулируются до первого промпта; спецификация → план → код; умение писать инженерные спецификации и контекстные файлы (правила, схемы, markdown), удерживающие агента в рамках задачи • Модульность как условие агентной работы: слабая связанность и доменные границы, нарезка проекта на небольшие изолированные файлы вместо монолита • Управление контекстным окном: осознанный подбор того, что попадает в контекст, для предотвращения дрейфа и галлюцинаций на устаревшем коде • Умение вовремя сбросить сессию: остановить зациклившегося агента, очистить рабочее дерево и начать заново с более жёсткими ограничениями • Разработка в несколько потоков, менеджмент репозитория под агентную работу, опыт коллаборативной AI-разработки • Ревью и аудит AI-кода: слабые имена, дублирование, отсутствующие проверки, небезопасная работа с данными • Тесты как способ управления агентом: осмысленные юнит- и интеграционные тесты пишутся до логики фичи • Инфраструктура и восстановление: версионирование, снапшоты БД, бэкапы, CI, готовая процедура восстановления данных • Готовность писать код руками, когда агент упёрся, и ответственность за результат, включая код, сгенерированный агентом • Современный типизированный backend-язык: асинхронность, модель ошибок, управление зависимостями, воспроизводимое окружение • HTTP API и realtime-транспорт: REST и двусторонние соединения — стриминг, протокол сообщений, переподключения, валидация схем на границе • Автотесты как норма: юнит- и интеграционные, изоляция внешних сервисов и тяжёлых зависимостей, поддержание тестовых данных • Реляционные БД руками: схема, миграции, индексы, нетривиальные запросы, понимание пределов выбранной БД • Разрешение конфликтов зависимостей, включая бинарную несовместимость библиотек (характерно для окружений с ML-пакетами) • Компонентный SPA-фреймворк и типизированный JavaScript; конкретный фреймворк не принципиален, принципиальна готовность сменить его за неделю • Компонентные тесты в браузерном окружении, а не только ручная проверка • Realtime-клиент: переподключения, стриминг, рантайм-валидация входящих сообщений • Медиа в браузере: доступ к устройствам ввода, работа с аудиопотоком, кодирование и передача • Состояние на клиенте и ограничения браузера: защищённый контекст, сертификаты в dev, хранилище • Умеренность в UI: простой интерфейс без тяжёлых фреймворков и дизайн-систем • Классические CV-задачи: детекция, эмбеддинги и кластеризация объектов, обработка изображений и метаданных, дедупликация • Локальные LLM: форматы весов и квантизации, размер контекста, латентность и стоимость запроса; умение измерять, а не предполагать • Речевые модели: распознавание и синтез речи, размен качества на ресурсы, ограничения по задержке и длине входа • Мультимодальные модели: генерация описаний по изображению, оценка качества генерации • Эмбеддинги и векторный поиск: семантический поиск, гибридные схемы с полнотекстовым, переранжирование, метрики качества выдачи • Ресурсы и эксплуатация inference: одна модель на процесс, память ускорителя, батчинг, прогрев, поведение под нагрузкой • Не требуется: обучение моделей с нуля, MLOps-платформы, распределённое обучение • Пайплайны обработки как идемпотентные стадии с фиксацией состояния: перезапускаемость, докат, инкрементальность • Понимание разницы между инкрементальным и полным пересчётом и цены ошибки (полный пересчёт обычно уничтожает ручную разметку) • Целостность данных при деплое, сведение расходящихся баз, миграции данных, а не только схемы • Границы сервисов: как процессы общаются, кто владеет данными, что происходит при отказе одного из них • Контейнеризация: образы с тяжёлыми зависимостями, тома для данных и весов моделей, политики перезапуска, диагностика падений • Linux и сеть: удалённый доступ, проброс портов, разрешение конфликтов портов, чтение логов как основной способ разбирательства • Скриптование рутины: деплой, синхронизация данных, ротация логов • Уверенное владение Git, включая нетривиальные операции; чтение истории как источника проектных решений • Базовая безопасность: сервис без аутентификации не выходит за пределы локального интерфейса, секреты не попадают в репозиторий, dev- и prod-режимы разведены явно • Автоматические smoke-проверки интерфейса после изменений • 4+ года разработки, из них 2+ года бэкенда в продакшене • 1+ год реального фуллстека: разработка и клиента, и сервера к нему • Проект, где LLM/ML были частью продукта, а не демонстрационным примером • Запуск моделей локально или on-premise, а не только вызовы облачных API • 2–3+ месяца ежедневной работы через агентные инструменты Задачи: • Подключение и настройка USB-камеры на целевом устройстве: интеграция камеры с ПО устройства и захват видеопотока; детекция лиц и определение пользователя, находящегося перед устройством; распознавание управляющих жестов • Реализация стереоскопического режима 2D→3D: поиск и реализация способа вывода стереоскопического изображения на произвольном телевизоре, не требующем специализированной 3D-панели (приоритетный вариант — пассивное 3D) • Разработка клиентских интерфейсов для телевизора и мобильного устройства: реализация экранов по предоставляемым Заказчиком дизайн-макетам; адаптация вёрстки под особенности вывода на телевизоре и под мобильные экраны; интеграция с существующим бэкендом Заказчика, включая двустороннее realtime-взаимодействие • Разработка технической документации по всем перечисленным блокам работ, включая инженерные спецификации и контекстные файлы, использованные при агентной разработке

Требования: — техническое/математическое/экономическое образование — знание Python, машинное обучение (sklearn, catboost/lightgbm/xgboost, statsmodels, numpy/pandas), визуализация и профилирование данных — опыт работы с mlops (mlflow, dvc, git, docker), опыт организации пайплайнов обучения в виде модулей и пайплайнов в kedro/dvc/mlflow будет плюсом — знание SQL, написание и оптимизация запросов — опыт работы с oracle будет плюсом — опыт работы с задачей математической оптимизации в маркетинге или operational research (SAS, Python MIP, PYOMO и аналоги) будет плюсом Задачи: — разработка ML-моделей для прогнозирования клиентского поведения (активация, отток, траты) — разработка моделей персонализации категорий и размеров кэшбэка — подготовка данных для обучения и применения моделей — исследование новых источников данных и разработка признаков для повышения качества моделей — проведение полного цикла обучения, валидации и внедрения моделей в промышленную эксплуатацию — оценка качества моделей на исторических данных и в реальных пилотах — проведение A/B тестов и анализ результатов внедрения моделей — мониторинг качества моделей и организация процессов переобучения

Location: Limassol; Nicosia; Athens; Thessaloniki; Fully Remote - in other eligible locations Workplace: hybrid The Role:  We're seeking a Senior AI QA Test Automation Engineer to take a leading technical role in AI quality and test automation. You will work primarily with our AWS Bedrock AgentCore-based CX Agent Suite, a multi-agent customer-support system covering intent routing, FAQs, deposit-status queries, and human handoff. You will design and build the evaluation and QA tooling required to validate AI agents reliably, while also contributing to technical standards and best practices across QA.  This is a Senior Individual Contributor (IC) role with a strong technical and strategic focus. You'll work closely with QA leadership, Data Science, and Engineering to architect scalable AI evaluation systems, establish technical standards, and drive the evolution of our AI evaluation framework. Our current evaluation harness is based on DeepEval and is evolving towards a broader agentic evaluation architecture. You will have the opportunity to evaluate and prototype emerging agent-orchestration approaches, including Strands Agents, and contribute to architectural decisions around their adoption. The main responsibilities of the position include: Act as the primary technical enabler for QA, building scalable AI/ML frameworks, libraries, and tooling for the CX Agent Suite and beyond Design and build AI evaluation pipelines that assess the CX Agent Suite's multi-agent responses (Intent Detector, FAQ Agent, Missing-Deposits Agent) for accuracy, relevance, tone, hallucination rate, safety/guardrail compliance, and task completion — extending or replacing the current DeepEval-based evaluation harness Evaluate and prototype Strands Agents (or comparable agent-orchestration frameworks) for building self-evolving, autonomous QA agents, and drive the go/no-go decision on adoption Collaborate with QA, Data Science, and Engineering to integrate AI-driven testing into the existing GitLab CI/CD pipeline (dev → test → staging → prod), alongside Terraform-provisioned, EKS/AgentCore-hosted services Build resilient and adaptive automation that can detect and respond to changes in agent behavior, Bedrock Guardrails configuration, and routing logic Develop data-driven quality analytics, including root-cause analysis, quality trends, and intelligent test prioritization, leveraging existing observability and evaluation data from OpenTelemetry, CloudWatch, X-Ray traces, and LangFuse offline evaluation runs Lead research into emerging AI testing methodologies and mentor engineers through code reviews, workshops, and architectural guidance Main requirements: BSc/MSc in Computer Science, AI, or a related discipline 6+ years of hands-on experience in QA/Test Automation, with strong experience designing and maintaining automation frameworks 1+ years of experience applying AI/ML in software testing or QA process improvement, with a proven track record of bringing AI/ML solutions into production workflows Strong Python skills, with experience working in Python/AWS-centric technology environments; Java and/or TypeScript is a plus Hands-on experience with LLM evaluation techniques, including LLM-as-a-judge, human-in-the-loop evaluation, RAG, and multi-agent orchestration patterns Practical experience with DeepEval or comparable evaluation frameworks, along with familiarity with agent-orchestration SDKs such as Strands Agents Knowledge of LLM tooling, vector databases, and MLOps pipelines Experience integrating AI tooling into enterprise CI/CD environments, particularly GitLab, and working with containerized cloud-native environments such as Docker and Kubernetes/EKS Strong communicator, able to influence technical decisions and drive engineering standards across teams The following will be considered an advantage: Experience with autonomous QA agents or agentic orchestration frameworks for self-evolving test suites Experience with LLM observability tools such as LangFuse, LangSmith, or Arize, particularly for measuring probabilistic and adversarial robustness Knowledge of AI ethics, fairness, and bias detection for guardrail and model validation Experience with gRPC, WebSockets, and/or HTTP/2 Experience with AWS Bedrock, plus familiarity with GCP Vertex AI and/or Azure AI Benefit from: Attractive remuneration package Intellectually stimulating work environment Continuous personal development and international training opportunities The Hiring Experience: What Awaits You Let’s Connect – Intro Chat with Talent Acquisition Deep Dive – First Interview with Your Future Team Final Connection – Final Interview All applications will be treated with strict confidentiality!   By submitting this application, I confirm that I have read and agree to the terms of the Privacy and Data Protection Notice and the Confidentiality Undertaking.

Дивизион "Моделирование и исследование данных" отвечает за компетенцию Data Science в Блоке Сеть Продаж. Мы разрабатываем и внедряем end-to-end решения на основе AI в бизнес-процессы Сети Продаж Банка. Ищем человека, вместе с которым мы будем строить топовые AI решения, на основе архитектуры Claw-like & Ouroboros, которые будут в действительности приводить к Disrupt в реальных процессах. Задачи: • разрабатывать с нуля AI-агентов и микросервисы для AI-продуктов • исследовать и внедрять новейшие технологические решения в ИИ - Claw-like & Ouroboros • разрабатывать и дообучать модели машинного обучения (Classic ML, Deep Learning) • разрабатывать алгоритмы взаимодействия ML-моделей и сервисных модулей • принимать участие в разработке архитектуры и дизайна агентов и AI-сервисов • проектировать и разрабатывать backend-части AI-сервиса • принимать участие в оптимизации скорости работы AI-агентов и ML-моделей. Мы ожидаем: • законченное высшее образование • компетенции: Python, Classic ML, Deep Learning, LLM/Agents, MLOps • понимание принципов разработки, внедрения и сопровождения AI-решений • уметь писать хороший и понятный production-ready код на Python, хорошее знание алгоритмов, структур данных • опыт работы с реляционными и нереляционными базами данных • навыки работы с генеративными AI-моделями, опыт создания AI-агентов и использование их в работе будет преимуществом • опыт использования GigaChat, Kandinsky и аналогов в продуктах • инструментальное владение Ai для анализа, генерации и автоматизации • опыт построения отказоустойчивых высоконагруженных распределенных ML систем. Мы готовы предлагать: • график 5/2, офис на м. Кутузовская; • режим работы на выбор - офис или гибрид • достойный уровень вознаграждения (оклад + годовая премия) • возможность стать частью команды, реализующей программы цифровой трансформации банка - на основе передового опыта и инновационных идей • широкие возможности для профессионального развития: корпоративный университет и множество онлайн-программ обучения. Корпоративное обучение за счет компании • бесплатная подписка СберПрайм+, многочисленные скидки и бонусы от партнеров: СберМаркет, МегаМаркет, Самокат, Еаптека и др.