Вакансии

Ищем кванта, который сам закрывает полный цикл ресерча. Кого ищем 🔍 Senior Quant/ML Researcher, который закрывает полный цикл ресерча сам: от гипотезы и данных до бэктеста, валидации и результата.

Ищем кванта, который сам закрывает полный цикл ресерча. Кого ищем 🔍 Senior Quant/ML Researcher, который закрывает полный цикл ресерча сам: от гипотезы и данных до бэктеста, валидации и результата.

Ищем кванта, который сам закрывает полный цикл ресерча. Кого ищем 🔍 Senior Quant/ML Researcher, который закрывает полный цикл ресерча сам: от гипотезы и данных до бэктеста, валидации и результата.

Location: Москва «История операций» — это один из самых высоконагруженных и посещаемых экранов в приложении. Наша цель — превратить сухие строчки чеков в умную, интерактивную ленту. Мы внедряем LLM, чтобы пользователь мог общаться со своими финансами на естественном языке, получать моментальные умные инсайты, автоматические теги и персонализированную аналитику расходов. Обязанности * Разрабатывать и внедрять ИИ-агентов (LLM Agents): проектировать логику рассуждений агентов на базе GigaChat, обучать и дообучать модели (Finetuning, LoRA/QLoRA), настраивать вызов внешних инструментов (Tool Calling, API, SQL-скрипты) под задачи банкинга. * Проектировать и обучать классические ML-модели: разработать точечную ML-модель для анализа транзакционных и табличных данных (классификация, кластеризация или скоринг) для обогащения контекста агента. * Строить RAG-системы: проектировать архитектуру контекстного поиска ответов по сложным финансовым логам, чекам и документам пользователя. * Анализировать и дорабатывать корзину запросов: оценивать результаты ответов агентов на предмет качества и ошибок, согласовывать метрики (Guardrails, Ragas), защищать подходы перед бизнесом и показывать ценность данных на понятном языке. * Обеспечивать надёжность и оптимизировать воркфлоу: минимизировать задержки (latency) ответов, настраивать мониторинг внедрённых решений и контролировать траекторию поведения агента, полностью исключая галлюцинации в продакшене. Требования Наш идеальный кандидат * Имеет опыт в LLM от 2-3 лет: запускал языковые модели в продакшн (Transformers, BERT, GPT-подобные архитектуры). * Мастерски владеет Python: знает библиотеки PyTorch, Hugging Face, LangChain, LlamaIndex. * Понимает специфику работы с LLM: умеет эффективно настраивать Prompt Engineering, оптимизировать инференс (vLLM, TensorRT-LLM) и оценивать качество генерации (Ragas, TruLens). * Обладает базой в классическом машинном обучении: понимает алгоритмы Classic ML, умеет работать с табличными данными и признаками (CatBoost / LightGBM / Scikit-learn). * Дружит с Big Data: уверенно пишет сложные запросы на SQL (Hive/Spark) для подготовки датасетов. Условия Почему это вакансия-мечта * Масштаб и влияние: ваш код и обученные модели будут работать в смартфонах каждого второго жителя страны. * Топовый стек и ресурсы: доступ к мощным суперкомпьютерам Сбера для обучения крупнейших моделей. * Минимум бюрократии: мы работаем по гибким методологиям внутри сильного DS-сообщества. * Забота и бенефиты: конкурентная белая зарплата, годовые бонусы, ДМС * Тренажерный зал (работает даже сейчас) * Современный IT-офис с пуфами, игровыми зонами и т.д. * Умопомрачительные виды на Москву Профильное обучение, митапы, конфы, воркшопы внутри и вне компании Если вы хотите быть у истоков создания принципиально новой, умной истории операций — давайте создавать будущее финтеха вместе!

Отличное знание Python, опыт работы с Spark, Pyspark, SQL, работа с S3; Знание современных алгоритмов машинного обучения и оптимизации;

Сбор, очистка и подготовка данных из различных источников для дальнейшего анализа; Проведение первичного анализа данных: выявление закономерностей и аномалий, создание визуализаций;

Location: Москва Наша команда ищет Senior Data Scientist, который будет заниматься разработкой ключевых GenAI-инициатив в канале ВСП. Вам предстоит с нуля выстраивать end-to-end пайплайны: от исследования и прототипирования до вывода в продакшен интеллектуальных агентов и ML-моделей. Вы будете отвечать за полный цикл создания ценности — от бизнес-гипотезы до работающего продукта. Обязанности **Что предстоит делать:** * Проектировать и внедрять в продакшен мультиагентные системы (orchestrator–workers, ReAct, Plan-and-Execute). * Строить продакшен-RAG (гибридный поиск, ANN/HNSW, query rewriting, GraphRAG). * Разворачивать harness для агентов, настраивать guardrails, трейсинг траекторий и проводить A/B-тесты версий (промпт/модель/инструменты). * Оптимизировать LLM-пайплайны (DSPy / MIPROv2, управление контекстом и памятью). * Дообучать модели (SFT, LoRA/QLoRA) под ру-домены и внедрять function calling / MCP. Требования * **Релевантный опыт работы от 5 лет** * **Агенты:** LangChain, LangGraph (обязательно); LlamaIndex, CrewAI (опционально). * **ML/NLP:** трансформеры, attention, prompt engineering (CoT, few-shot), Fine-tuning. * **RAG и поиск:** Qdrant, Elasticsearch или FAISS. * **Оценка:** LLM-as-a-Judge, Inspect AI / RAGAS / DeepEval, матстатистика для A/B-тестов. * **Классический ML:** CatBoost, XGBoost, скоринг, предотвращение утечек. * **MLOps:** Python (продакшен-код, ООП), Docker, k8s, CI/CD, MLflow/WandB, мониторинг data drift. * **Инференс:** vLLM, Triton, TensorRT/ONNX, квантизация, оптимизация latency и стоимости. Условия * Гибкий гибрид (обсуждаем индивидуально). * Современный IT-офис вблизи Москва-Сити с фитнес-залом. * Ипотека с выгодой для сотрудника и льготные условия кредитования. * Бесплатная подписка СберПрайм+. * Скидки на продукты компаний-партнеров. * ДМС с первого дня и льготное страхование для близких. * Корпоративная пенсионная программа. * Обучение за счет компании: онлайн-курсы в онлайн-школе Сбера и неограниченный доступ к библиотеке, обучение в Корпоративном университете, тренинги, митапы и возможность получить новую квалификацию. * Крупнейшее DS&AI Community — более 600 DS-банка, регулярный обмен знаниями, опытом и лучшими практиками, интерактивные лекции и мастер-классы от ведущих ВУЗов и экспертов технологических компаний, дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира.

Location: Москва Мы строим высоконагруженные ML-системы для обеспечения банковской безопасности. Наш фокус — антифрод, управление рисками, обнаружение аномалий и оптимизация бизнес-процессов и тд. Ищем MLE грейда Middle+ с сильной инженерной базой. Ключевая задача — внедрение и адаптация высокопроизводительных runtime-шаблонов для инференса моделей, автоматизация процессов деплоя и оптимизация Time-to-Market при выводе ML/DL и LLM в промышленную эксплуатацию. Обязанности • развертывание и поставка моделей: Упаковка, деплой и поддержка runtime-шаблонов для быстрого вывода моделей в прод на основе готовых архитектурных решений Оптимизация инференса (ML Serving): • обеспечение требуемого уровня latency и пропускной способности для классического ML (LightGBM, CatBoost и тд) и нейросетей • конфигурирование и поддержка инференс-серверов (Triton Inference Server, vLLM и тд) Интеграция и оптимизация LLM: • вывод в продакшен LLM-агентов и RAG-систем с использованием готовых фреймворков • настройка производительных движков (vLLM, TGI) с применением базовых техник оптимизации (квантование, continuous batching) • реализация механизмов кэширования и фильтрации запросов (Guardrails) Автоматизация пайплайнов: • сборка end-to-end пайплайнов доставки данных и моделей (от логов до Real-time API) • интеграция с очередями сообщений (Kafka) для обработки данных в реальном времени • написание и поддержка DAG-ов переобучения моделей в Airflow Мониторинг и логирование: • настройка базового мониторинга метрик данных и моделей (Data/Model Drift) • интеграция трекинга экспериментов и логирования цепочек LLM (MLflow, Langfuse) • ведение реестра моделей в MLflow Model Registry. Требования • инженерный опыт: От 3-х лет в роли MLE / Backend-разработчика (Python) с опытом коммерческого вывода моделей в прод и пониманием специфики Highload-систем • уверенный Python: Чистый, типизированный код, знание асинхронного программирования (Asyncio) и базовых паттернов проектирования • работа с данными и очередями: Хорошее знание SQL (сложные запросы, оконные функции) и практический опыт интеграции приложений с Kafka MLOps и Инфраструктура: • уверенное владение Docker, базовый опыт работы со средой Kubernetes (запуск подов, просмотр логов, понимание манифестов) • опыт написания пайплайнов в Airflow и интеграции моделей с MLflow Data Science бэкграунд: • понимание математики классического ML и архитектур нейросетей • базовые навыки профилирования кода и оптимизации использования памяти • опыт работы с табличными данными и современным стеком NLP/LLM будет плюсом: • понимание принципов работы корпоративных Feature Store (например, Feast) • опыт работы с векторными базами данных (Qdrant, Milvus, PGVector) • понимание базовых принципов работы CUDA и компиляции моделей (формат TensorRT и тд). Условия * комфортный современный офис рядом с м. Кутузовская * офисный формат работы * ежегодный пересмотр зарплаты, годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * программа адаптации и помощь руководителя на старте (для Junior позиций) * 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.

Ищем Data Scientist в команду развития ML-моделей крупного банка. Разработка и внедрение ML-моделей для прогнозирования клиентского поведения, склонности к банковским продуктам и других характеристик клиентов.

Location: Slovenia; Lithuania; Latvia; Colombia; Brazil; Argentina Intetics Inc. , a global technology company providing custom software application development, distributed professional teams, software product quality assessment, and “all-things-digital” solutions, is seeking a highly skilled and experienced Staff Data Scientist / Machine Learning Engineer to join our dynamic team on a full-time basis. Responsibilities: - Design, build, and maintain predictive Lifetime Value (pLTV) models using machine learning techniques such as XGBoost, CatBoost, and probabilistic forecasting methods. - Develop and manage a tiered scoring framework that assigns users to different prediction models based on data availability and signal quality. - Create and optimize calibration frameworks that transform raw model outputs into business-ready values through normalization, scaling, and custom loss optimization strategies. - Own feature engineering processes, building and maintaining scalable feature datasets from transactional, behavioral, and engagement data. - Define and enforce feature quality standards, ensuring model inputs are reliable, relevant, and suitable for production use. - Monitor model performance, drift, and data distribution changes, proactively identifying when retraining or model adjustments are required. - Analyze the impact of deployed models on downstream outcomes and detect feedback loops that may affect future model accuracy. - Develop and improve identity resolution processes to unify behavioral and transactional data across multiple data sources. - Build, test, and maintain production-grade Python services and data pipelines for model training, scoring, and signal delivery. - Implement robust software engineering practices, including automated testing, CI/CD, monitoring, idempotent processing, and deployment safeguards. - Collaborate with data, engineering, and product stakeholders to improve data quality, model effectiveness, and platform scalability. - Operate and optimize ML workflows in cloud environments using orchestration, scheduling, and distributed processing tools. - Ensure the reliability, accuracy, and scalability of machine learning systems that support critical business decision-making and performance optimization. Requirements 5+ years of hands-on ML engineering in Python with production-deployed models (not just Jupyter notebooks). You should be comfortable writing production-grade code, not just prototypes. Experience with gradient boosted trees (XGBoost, CatBoost, or LightGBM) in a production setting, including hyperparameter tuning, feature importance analysis, and model evaluation beyond default metrics. Strong SQL and BigQuery fluency. You will write complex feature engineering queries, scheduled transformations, and data validation logic directly in BigQuery. GCP production experience. Cloud Run, Airflow/Composer, Vertex AI, Pub/Sub. You have deployed and maintained ML workloads on GCP, not just completed certification exercises. Understanding of model calibration. You know the difference between a model that minimizes RMSE and a model that maximizes business value. You have experience with or strong intuition about how prediction errors compound when consumed by a downstream optimization system. Outbound API integration experience. You have pushed model outputs into external systems that act on them (ad platforms, recommendation engines, pricing systems, bidding systems). Strongly Preferred: E-commerce or DTC domain experience. Customer lifetime value, purchase prediction, churn modeling, or customer segmentation for retail or subscription businesses. Familiarity with probabilistic customer models (BG/NBD, Gamma-Gamma, or similar frameworks). If you haven't used these specifically, strong Bayesian statistics foundations are equally valuable. Ad platform signal engineering. Experience with Google Ads API (ConversionUploadService, Enhanced Conversions), Meta Conversions API (CAPI), or similar server-side event dispatch systems. Identity resolution or entity matching. Graph-based identity stitching, probabilistic matching, or CDP-style cross-device identity work. Nice-to-have: Terraform, CI/CD pipeline design, Docker containerization for ML workloads. Experience with causal inference methods, A/B testing in ad spend environments, or multi-armed bandit allocation. Familiarity with agentic development workflows (Claude Code, Cursor, or similar AI-assisted coding tools).

Location: Москва Workplace: Комбинированный Мы ищем ML-инженера в команду рекомендаций Ленты социальной сети Одноклассники. Команда развивает персонализацию постов, фотографий и видео, повышает вовлечённость пользователей, помогает авторам находить свою аудиторию и делает Ленту более разнообразной. Задачи Разработка факторов и моделей ранжирования Обучение и внедрение ML-моделей в production Развитие высоконагруженных сервисов рекомендаций Проведение и анализ A/B-тестов Требования Опыт работы ML-инженером от двух лет Знание алгоритмов машинного обучения и принципов построения рекомендательных систем Опыт промышленной разработки на Java Понимание принципов работы высоконагруженных систем Будет плюсом Опыт разработки рекомендательных систем и моделей ранжирования Опыт проведения и анализа A/B-тестов Опыт работы с YTsaurus, CatBoost, Spring и Java

Location: Москва Workplace: Гибридный О компании Big Data — один из ключевых юнитов МТС. Сегодня Big Data — это 20 петабайт данных, 5 000 метрик на профиль и 400 увлечённых профессионалов в команде. Наши технологии применяются практически во всех направлениях компании: маркетинг, обслуживание, планирование сети, HR, розница. Среди наших продуктов — онлайн-кинотеатр КИОН, читалка «Строки», приложение Мой МТС и сервисы по продаже билетов. Ищем стажёра Data Scientist в команду, занимающуюся трансформерными рекомендациями продуктов МТС. Стажёр будет работать с двумя ключевыми продуктами: приложением Мой МТС и системой товарных рекомендаций EKoM. Команда решает задачи на стыке исследовательской и инженерной работы, где главный вызов — масштаб: огромное количество пользователей, большие потоки данных и высокие требования к производительности моделей. Обязанности Создавать модели рекомендаций для продуктов Мой МТС и Магазин МТС; Искать инсайты в данных и генерировать гипотезы по улучшению рекомендаций для роста бизнес-метрик; Превращать гипотезы в работающие ML-модели и внедрять их в продакшен; Разрабатывать и улучшать рекомендательные алгоритмы с учётом масштаба данных и пользователей; Проводить A/B-тестирование для оценки качества моделей на продакшене; Участвовать в рефакторинге и улучшении таймингов рекомендательных систем; Работать с большими данными и оптимизировать производительность моделей; Участвовать в обсуждениях архитектуры и процессов обработки данных в рамках двухнедельных спринтов. Требования Студенты 3 и 6 курсов бакалавриата, специалитета или магистратуры; Хорошее знание Python (понимание ООП, классов, функций, написания тестов, базовых алгоритмов и структур данных); Уверенное знание SQL; Знание основ машинного обучения и базовых моделей рекомендательных систем; Понимание принципов работы с библиотеками NumPy, SciPy, Sklearn, CatBoost; Базовые знания математической статистики и понимание принципов A/B-тестирования; Понимание принципов работы с Git; Будет плюсом опыт работы с большими данными (батчевое чтение, обучение моделей на больших датасетах, участие в хакатонах). Условия График работы 40 часов в неделю; Гибридный формат работы; Развитие в командах профессионалов и опытный наставник, готовый делиться опытом; Мобильная связь за счет компании; Подписка на онлайн-кинотеатр KION, сервис МТС Музыка, книжный сервис Строки от МТС, безлимитные мессенджеры и соцсети; Специальные предложения от партнеров и скидки от продуктов экосистемы МТС; Непрерывное развитие — доступ к курсам и вебинарам корпоративного университета и онлайн-библиотеке.

Location: Москва Workplace: Гибридный О компании Big Data — один из ключевых юнитов МТС. Сегодня Big Data — это 20 петабайт данных, 5 000 метрик на профиль и 400 увлечённых профессионалов в команде. Наши технологии применяются практически во всех направлениях компании — маркетинг, обслуживание, планирование сети, HR, розница. Один из ключевых продуктов — рекомендательная платформа, которая использует всю мощь ML и больших данных для подбора наиболее релевантных айтемов для клиентов из каталогов МТС. Мы уже поставляем рекомендации в онлайн-кинотеатр КИОН, в читалку «Строки», МТС Банк, сервисы по продаже билетов, интернет-магазин и другие продукты экосистемы МТС. Сейчас мы объединяем рекомендательные движки в единую платформу, создаём универсальный поисковый движок, realtime-триггеры и масштабируем решения на все сервисы компании. Сейчас находимся в поиске Middle ML-инженера в RecSys. Стек - Python, Hadoop, Pytorch, Catboost, Triton, vLLM, FastAPI, k8s, PostgreSQL, Aerospike, Kafka, Airflow, GitLab CI, Grafana Обязанности Разрабатывать и обучать рекомендательные ML-модели от идеи до продуктивизации; Формулировать и проверять гипотезы по улучшению рекомендаций для роста бизнес-метрик клиентов; Внедрять ML-пайплайны в real-time сервисы и доводить модели до продакшена; Работать с рекомендательной платформой: использовать готовые наработки и активно контрибьютить в её развитие; Проводить исследовательские задачи — читать статьи, воплощать новые подходы, в том числе генеративные полки на основе предпочтений пользователей; Взаимодействовать с дата-инженерами по доработке витрин и пайплайнов, с аналитиками — по постановке и проверке A/B-тестов. Требования Уверенные навыки Python и хорошее знание теории вероятностей и математической статистики; Коммерческий опыт в Data Science от 2 лет и понимание ML-архитектуры — не только эксперименты в ноутбуке, но и реальные внедрения в продукт; Опыт разработки и продуктивизации ML-сервисов (от моделей до API); Опыт внедрения ML-пайплайнов в real-time сервисы; Опыт работы с шедулерами (Airflow или аналог), pyspark и SQL/NoSQL базами данных; Самостоятельность: умение предлагать технические и архитектурные решения, технологии и направления улучшений; Хорошие коммуникативные и аналитические навыки. Условия Собственную платформу MTS Ocean для получения ИТ-ресурсов, а это значит, что деплой, мониторинг, observability — не будут для тебя проблемой, ты сможешь сосредоточиться на фичах; Профессиональные гильдии инженеров, где мы поддерживаем друг друга и помогаем стать лучше; Внутреннюю площадку TechTalks для обмена опытом, дискуссий, развития навыков самопрезентации; Участие во внешних ИТ конференциях. Мы выступаем на HighLoad++, DataFest, Mobius, Test Driven Conf, Joker, DevOps, Матемаркетинг и даже проводим собственную конференцию по архитектуре True Tech Arch; Полезные курсы и вебинары в корпоративном университете и электронную библиотеку; ДМС с первого месяца работы, включая стоматологию; Страхование от несчастных случаев с 1 месяца работы. Материальную помощь в сложных жизненных ситуациях; Отпуск 28 календарных дней (+3 дополнительных дня за ненормированный рабочий день); Гибридный формат работы; Прием врачей общей практики и массаж в офисе; Мобильная связь за счет компании и льготные тарифы для близких; Подписка на онлайн-кинотеатр KION, сервис МТС Музыка, книжный сервис Строки от МТС, безлимитные мессенджеры и соцсети.

Location: Москва Команда Управления благосостояния ПАО "Сбербанк" ищет стажера на позицию Data Scientist. Мы занимаемся разработкой и внедрением ML моделей на огромной клиентской базе B2C и B2B с целью предложения актуальных инвестиционных, страховых и сберегательных продуктов. **Мы работаем над:** * Рекомендательными системами и моделями классификации, регрессии, кластеризации для СберБанк Онлайн и СберИнвестиций. * Продвинутыми подходами в классическом ML (uplift-моделирование, работа с несбалансированными классами, feature engineering на больших данных, SOTA-алгоритмы) Обязанности * Исследовать данные, разрабатывать новые информативные признаки и добавлять в командный пайплайн новые источники. * Строить ML модели на основе различных данных: табличные, последовательности событий (кликстрим, транзакции и т.д.) * Реализовывать прикладные модули командного фреймворка разработки для повышения производительности DS и улучшения качества кода в промышленной среде. Требования * Знание основных алгоритмов классического ML (линейные модели, метрические алгоритмы, градиентный бустинг) и их применения в задачах регрессии, классификации, ранжирования * Уверенное использование SQL * Отличное знание Python, в том числе библиотек catboost, pandas, numpy, sklearn **Будет плюсом:** * Опыт построения uplift-моделей * Опыт решения задач реальных бизнес-задач * Понимание принципов и деталей работы PySpark Условия * Офисный формат работы * Современный IT-офис вблизи Москва-Сити с фитнес-залом. * Ипотека с выгодой для сотрудника и льготные условия кредитования. * Бесплатная подписка СберПрайм+. * Скидки на продукты компаний-партнеров. * ДМС с первого дня и льготное страхование для близких. * Корпоративная пенсионная программа. * Обучение за счет компании: онлайн-курсы в онлайн-школе Сбера и неограниченный доступ к библиотеке, обучение в Корпоративном университете, тренинги, митапы и возможность получить новую квалификацию. * Крупнейшее DS&AI Community — более 600 DS-банка, регулярный обмен знаниями, опытом и лучшими практиками, интерактивные лекции и мастер-классы от ведущих ВУЗов и экспертов технологических компаний, дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира.

Location: Москва То, что многие компании считают своим прибыльным активом, зачастую является скрытым корнем финансовых проблем. Задача департамента по работе с проблемными активами – вовремя выявить трудности у клиентов и помочь преодолеть их. Используя передовые модели машинного обучения и искусственного интеллекта, мы создаем AI-профили клиентов, которые помогают сотрудникам быстрее разобраться в кейсе и выбрать наилучшую стратегию взаимодействия. В рамках нашего центра ИИ и комплексных решений вектор развития ориентирован на концептуальное переосмысление процессов урегулирования, автоматизацию рутинных процессов и создание дополнительного дохода в рамках работы с проблемной задолженностью. Обязанности * исследование клиентского опыта в рамках процессов оздоровления и взыскания, поиск «узких» мест в процессах и использование передовых инструментов для проведения локальных исследований (графовый анализ, LLM для поиска инсайтов, самовоспроизводящиеся ИИ-решения, disrupt-проекты) * регулярные встречи с Заказчиками для определения зон роста, предоставления непредвзятого взгляда на процессы и предложения к их трансформации * создание ИИ-решений, влияющих на клиентский опыт * построение чистого эксперимента и валидация ИИ-решения * проработка технологической реализации при поддержке команд разработчиков, data и OPS-специалистов * контроль внедрения ИИ-решения и последующего поведения решения в ПРОМ-контуре, анализ результатов внедрения * создание AI-агентов на базе LLM для оптимизации рутинных процессов: * речевая и текстовая аналитика взаимодействия с клиентом * выявление сущностей для автоматизации внутренних процессов * качественная суммаризация текста для составления профиля клиента * создание, обучение и внедрение моделей для оценки и прогноза финансового состояния клиента, скоринга, прогнозирования дефолта, антифрода и выявления мошенничества. Разработка систем подбора индивидуальных условий для урегулирования задолженности, а также применение What-If / Uplift моделирования и каскадов моделей для выстраивания процессов с использованием ИИ * графовый анализ компаний, их руководителей и бенефициаров, анализ новостного контента и других источников информации о клиентах. Требования * опыт работы 3+ лет в традиционных направлениях машинного обучения (ML), обработки естественного языка (NLP), глубокого обучения (DL) * знание библиотек и фреймворков: pandas, pyspark, catboost, pytorch, tensorflow, langchain/langgraph * опыт валидации AI-решений и их "боевого" пилотирования решений * прикладной опыт в использовании LLM, контроле качества ответов и выстраивания графовой архитектуры с использованием LLM tools / MCP * знания математической статистики и основ A/B-тестирования. _Будет плюсом:_   * опыт руководства проектами или самостоятельного обеспечения всего цикла производства ИИ-решения от гипотезы до реализации * знание основ финансового анализа и бухгалтерского учета * опыт курирования или наставничества, работа в крупных AI-проектах с смежными командами * английский язык — уровень Intermediate и выше * опыт в проектах, связанных с клиентским опытом / бизнес-анализом / исследованием очень больших данных * опыт использования AI-инструментов в разработке (LLM-ассистенты для написания и ревью кода, агенты для автоматизации рутинных операций, инструменты автодополнения вроде GitHub Copilot). Условия * возможен гибридный формат работы, локация офиса: Москва, Кутузовский пр., д.32, к.3 * 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.

Location: Санкт-Петербург Команда разработала и внедрила большое количество ML моделей в процессы банка, наши модели улучшают клиенсткий опыт, помогают снизить отток и формируют персональные рекомендаций для клиентов. С помощью стека разработанных моделей, команда улучшает внутренние процессы банка, а так же платные продукты и сервисы для клиента. Мы ищем в команду ML инженера, который поможет лидировать направление разработки ML моделей в команде, улучшать стек текущих моделей и разрабатывать новые. Обязанности * погрузиться в процессы и продукты компании, с целью улучшения процессов с помощью ML * разрабатывать и тестировать новые гипотезы связанные с ML моделями на табличных данных * разрабатывать MVP решения с использованием LLM моделей (промпт-инжиниринг) * разрабатывать ML модели с учетом требований банка и последующего вывода их в ПРОД * готовить аналитику результатам работы моделей и презентовать ее заказчикам * участвовать в развитии ML инструментов и тех. стека Банка. Требования * опыт работы по направлению Data Science от 3х лет * знание Python ML стека (pandas / sklearn / catboost ) * опыт использования LLM * умение переложить гипотезу с бизнес терминов на техническую реализацию * развитые коммуникативные способности для эффективного общения * знание SQL / Git / Pep8. Будет плюсом опыт:  * промышленной разработки на Python от 1 года * внедрения ML решений в бизнес процессы * работы с BigData стеком (Hadoop / PySpark) * работы с Linux, bash. Условия • удобный офис в СПб на ул. Уральской, дом 1 (шаттлы от метро Спортивная и Приморская) • офисный формат работы • регулярный пересмотр заработной платы и возможность получения годовой премии • доступ к более чем 400 образовательным программам СберУниверситета • программу адаптации и поддержку наставника на первых этапах работы • расширенную медицинскую страховку (ДМС) и выгодные условия страхования для членов семьи • ипотечные программы для сотрудников • подписка Прайм с возможностью совместного использования на трёх близких • вознаграждения за рекомендации кандидатов.

Location: Москва Команда «Мотивационный профиль» создает новый подход к работе с клиентом, который позволит перейти от классической персонализации к более глубокому пониманию человека на основе психологии. Мы извлекаем из данных психометрические характеристики — ценности, страхи, особенности характера и принятия решений — и используем их в продуктах банка и экосистемы. Для построения мотивационного профиля мы используем анкеты, подробные интервью, поведенческие и транзакционные данные. Работаем с известными психометрическими методиками и подходами, разработанными исследовательской командой. Одна из ключевых задач — научиться надежно определять психометрические характеристики на ограниченных выборках, масштабировать их на широкую клиентскую базу и использовать в рекомендательных сценариях и моделировании клиентских реакций. Обязанности Моделирование психометрических признаков: * подбирать постановку задачи в зависимости от объема и качества данных: supervised learning, weak supervision, few-shot и другие подходы * обучать модели для предсказания психометрических и поведенческих характеристик клиента * оценивать модели как по стандартным ML-метрикам, так и по тому, насколько хорошо их результаты работают в прикладных сценариях — сегментации, персонализации и моделировании поведения клиента Работа с текстовыми и поведенческими данными * строить пайплайны обработки текста: чанкинг, построение эмбеддингов, кластеризация и извлечение признаков * формировать датасеты для обучения, валидации и тестирования моделей * искать цифровые признаки, которые могут помочь определить характеристики мотивационного профиля. Требования * опыт работы Data Scientist / ML Engineer от 2–3 лет * уверенное знание Python и стандартного DS/ML-стека: pandas, numpy, scikit-learn, CatBoost / LightGBM / XGBoost * опыт построения supervised ML-моделей для табличных данных * опыт работы с текстовыми данными и NLP: embeddings, sentence-transformers, кластеризация, классификация текстов, семантический поиск * понимание основных подходов к работе с LLM: prompting, few-shot, zero-shot, LLM-разметка и оценка качества LLM-ответов. Условия * комфортный современный офис рядом с м. Кутузовская * офисный формат работы * ежегодный пересмотр зарплаты, 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.

Мы в поисках Data Analyst (Data Science) в команду Computer Vision. Отличное знание Python и ML-стека: pandas, numpy, scikit-learn, бустинги (CatBoost/LightGBM/XGBoost), SHAP;