Вакансии

Продукт — AI-агент, который общается с клиентами в текстовом и голосовом каналах, помогает подобрать релевантные продукты и решения, ведёт диалог на естественном языке, работает на входящей и исходящей линиях, использует разные голоса и подстраивается под тональность и тип клиента, учитывая контекст общения. Дополнительные продукты команды: Робот-оператор — автоматизация обработки звонков и типовых сценариев. DIVR — интеллектуальная маршрутизация обращений. Voice — готовые голосовые решения для массовых коммуникаций. Текстовые коммуникации — шаблоны и отправка SMS, push-уведомлений, email, бумажных писем. Задачи: — Разработка, актуализация и поддержка автоматизированных тестов на Java с использованием Selenium, Cucumber, Allure — Проведение функционального и интеграционного тестирования — Запуск автотестов, анализ результатов, формирование отчётов о качестве и метриках — Внедрение и развитие технологий ИИ для решения бизнес задач — Взаимодействие с командой разработки, аналитиками и заказчиками в рамках Agile/Scrum — Ведение документации по тестированию (Confluence и Jira) — Обеспечение высокого уровня качества продукта и сервисов, своевременное выявление и устранение дефектов Требования: — Опыт работы автоматизатором тестирования на Java не менее 1 года — Опыт разработки технологий и реализации ИИ в финансовом секторе — Опыт работы в финтех и банковской сфере — Опыт функционального и интеграционного тестирования — Опыт автоматизации с Java, Selenium, Cucumber, Allure — Опыт работы с багтрекерами и системами управления тестированием (HP ALM, Atlassian Jira) — Опыт командной разработки с Confluence и Jira Условия: — Конкурентная зарплата (обсуждается на собеседовании) — Официальное оформление в российскую ИТ-компанию с аккредитацией — Бонусы: бесплатная подписка «СберПрайм+», скидки на изучение английского, бесплатный фитнес или скидки на абонементы, скидки от партнёров Сбера, корпоративная пенсионная программа — Удобный формат работы: удалённо или гибрид, «короткая» пятница

Наша команда развивает POS и BNPL‑кредитование, помогая компаниям по всей России предлагать клиентам удобные рассрочки и кредитные решения. Развиваем партнерские отношения, обучаем агентов и постоянно улучшаем качество обслуживания клиентов. Мы предлагаем: Средний доход — 144 000 ₽ (оклад + квартальная премия по результатам работы) Работу из дома + выезды к клиентам для проведения встреч График 5/2 с 10:00 до 19:00 ДМС: от онлайн-консультаций и расширенного медицинского обследования до стационарного лечения, включая стоматологию и поддержку семьи Оформление по ТК РФ Чем предстоит заниматься: — Привлекать юридических лиц и индивидуальных предпринимателей на обслуживание по продуктам банка, проводить переговоры и презентации — Готовить коммерческие предложения и консультировать потенциальных клиентов и партнеров по условиям сотрудничества — Взаимодействовать с подразделениями банка и регионами для повышения эффективности продаж и качества сервиса — Выполнять личный план продаж — Находить решения в сложных ситуациях Кого мы ищем: — Опыт работы в POS/BNPL продажах или B2B от 3 месяцев — Умение работать в MS Office: готовить документы, вести таблицы и формировать отчеты — Умение вести переговоры с лицами, принимающими решения — Аналитические способности: умение собирать данные и готовить рекомендации

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

Задачи: — сопровождение и развитие аналитической отчетности с фокусом на работу с данными, SQL-логикой и корректностью бизнес-показателей; — автоматизированный отчет, который обращается к данным витрины с использованием PySpark, обработка данных на Python и Pandas, формирование итоговой HTML-страницы; — анализ и доработка источников данных; — контроль корректности показателей, актуальности бизнес-логики, качества данных и стабильности формирования отчета; — доработка SQL-логики, обработки данных, структуры отчета и итоговой HTML-страницы. Дополнительно: — участие в развитии AI-агента по отчетности, автоматизирующего text2sql-задачи: перевод пользовательских запросов в SQL, сбор данных, проверка показателей, подготовка структурированных ответов для руководства банка; — понимание SQL, аналитического контекста, структуры витрин данных; — проверка корректности сгенерированных запросов и результатов; — участие в настройке логики взаимодействия агента с данными. Требования: — опыт работы в разработке на Python от 3 лет; — уверенное владение Python, Pandas, SQL, PySpark (Hadoop/Spark); — знание matplotlib/seaborn, Jupyter Notebook; — знание HTML; — навыки работы с Git, умение читать код DS и приводить его к инженерным стандартам production. Условия: — график работы 5/2, офисный формат (м. Кутузовская); — оформление по ТК РФ, оплачиваемые больничные листы; — спортивные и корпоративные мероприятия; — программа обучения; — добровольное медицинское страхование; — и многое другое.

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

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

Задачи: — развёртывать ML-модели и AI-сервисы, локальные модели (LLM, ML-модели) в различных средах; — заниматься управлением версиями моделей и их хранением (NFS/MinIO); — заниматься подготовкой окружений для инферейса и тестирования моделей; — развёртывать сервисы AI-агентов, чат-ботов и ML-сервисов в Kubernetes и docker compose; — работать с большими моделями и GPU в kubernetes и docker CI/CD для ML-сервисов и инфраструктуры; — заниматься сборкой Docker-образов, npm пакетов, артефактов; — заниматься написанием и рефакторингом пайплайнов в Azure DevOps; — участвовать в разработке Dockerfile для ML-сервисов, консультации; — осуществлять сборку базовых образов; — работать с docker-compose, рантаймами: containerd, Docker, podman; — контролировать отсутствие секретов в docker слоях; — заниматься эксплуатацией и сопровождением Kubernetes-кластеров; — заниматься разработкой и рефакторингом Helm charts; — работать с TLS/SSL сертификатами и их ротацией, в т.ч. через nginx; — собирать логи контейнеров; — производить интеграцию логов с Elastic/Logstash, с VictoriaMetrics/Prometheus; — управлять секретами Kubernetes и HC Vault; — интеграция ML pipeline с CI/CD; подготавливать инфраструктуру для обучения моделей; — диагностировать проблему запуска моделей и сервисов; — осуществлять отладку Kubernetes workload; — оптимизировать использование ресурсов (CPU/GPU/RAM); — заниматься подготовкой технической документации. Требования: — опыт работы DevOps/MLOps инженером; — опыт работы с Kubernetes; — опыт контейнеризации (Docker, docker-compose); — опыт работы с CI/CD. Условия: — удаленный формат работы, 5/2, гибкое начало рабочего дня; — официальное оформление со всеми социальными гарантиями; — возможность работы в гибридном формате; — комфортный офис в шаговой доступности от м. Войковская и МЦК «Балтийская» с компенсацией питания; — ДМС с телемедициной и стоматологией с первого дня работы; льготное подключение родственников; — выгодный зарплатный проект с доступом к масштабной экосистеме сервисов; — внешнее обучение и участие в конференциях, митапы, хакатоны и обмен практиками; — полис путешественника и льготные программы страхования; — свободный дресс-код и никакой бюрократии.

Задачи: — Координировать миграцию (Entry/Temporary/Visitor Permit, Yellow Slip) через агентов и юристов. — Помогать сотрудникам с релокацией, адаптацией и арендой жилья. — Контролировать КДП (договоры, отпуска, регистрация в Social Insurance и GESY). — Вести полный цикл подбора, развивать онбординг и проводить Exit-интервью. Требования: — Опыт в HR и знание миграционных процедур Кипра (GESY, Social Insurance). — Опыт работы с внешними провайдерами и госструктурами Кипра. — Умение самостоятельно закрывать вакансии и адаптировать новичков. Условия: — Официальное оформление. — Офис в Лимассоле (гибкое начало/конец дня). — Конкурентная зарплата (обсуждается индивидуально). — Компенсация обедов. — Реальные перспективы карьерного и финансового роста.

Задачи: — Координировать миграцию (Entry/Temporary/Visitor Permit, Yellow Slip) через агентов и юристов. — Помогать сотрудникам с релокацией, адаптацией и арендой жилья. — Контролировать кадровое делопроизводство (договоры, отпуска, регистрация в Social Insurance и GESY). — Вести полный цикл подбора, развивать онбординг и проводить Exit-интервью. Требования: — Опыт в HR и знание миграционных процедур Кипра (GESY, Social Insurance). — Опыт работы с внешними провайдерами и госструктурами Кипра. — Умение самостоятельно закрывать вакансии и адаптировать новичков. Условия: — Официальное оформление, офис в Лимасоле с гибким началом и концом рабочего дня. — Конкурентная зарплата, обсуждаемая индивидуально, плюс компенсация обедов. — Перспективы карьерного и финансового роста.

Задачи: — Улучшение текущих моделей и обучение новых, включая классификаторы, генеративные модели, сложные сценарии на основе агентов и пайплайнов. — Сбор и анализ данных для дообучения, обучение с использованием SFT- и RL-подходов. — Быстрая разработка прототипов и MVP для новых проектов, с фокусом на агентах и RAG для обработки большого контекста. — Автоматизация валидации ML-моделей, внедрение систем автоматической оценки качества моделей в продакшен. Требования: — Опыт в машинном обучении. — Хорошее знание Python. — Уверенное владение классическими алгоритмами и моделями. — Глубокие знания в NLP и LLM. Будет плюсом: — Опыт работы с агентами и RAG-пайплайнами. Условия: — Расширенная медицинская страховка с первого месяца, включая стоматологию, ежегодные чекапы, неотложную помощь за рубежом, лечение критических заболеваний и страхование от несчастных случаев. — Психотерапия в офисе или онлайн. — Лазерная коррекция зрения через год работы. — Ведение беременности и роды через два года. — Страховка для родственников по системе 80/20 (80% оплачивает компания). — Внутренняя образовательная платформа, менторство, программы для руководителей. — Оплата участия в профильных конференциях. — Внутренние проекты для обмена экспертизой. — Гибкий график без фиксированного времени начала и конца рабочего дня. — Льготные жилищные займы для сотрудников российских офисов. — Программы поддержки для детей: страхование, детские дни в офисе, подарки на рождение, чекапы при планировании беременности.

Bitmanager.ai — AI-стартап в категории conversational AI agents, создающий платформу для голосовых и текстовых AI-агентов в клиентских коммуникациях.

Bitmanager.ai — AI-стартап в категории conversational AI agents, создающий платформу для голосовых и текстовых AI-агентов в клиентских коммуникациях. Вакансии: AI Data Operations Lead, ML / LLM Engineer – AI Agents, Senior Voice Engineer / Ведущий войс-инженер.

Bitmanager.ai — AI-стартап в категории conversational AI agents, создающий платформу для голосовых и текстовых AI-агентов в клиентских коммуникациях. Вакансии: AI Data Operations Lead, ML / LLM Engineer – AI Agents, Senior Voice Engineer / Ведущий войс-инженер.

Компания МТС Банк ищет Android-разработчика в команду Мобильной Платформы. Задача команды — развивать Tech Governance и Developer Experience в мобильной разработке, поддерживать высокое качество приложения, убирать рутину из delivery-процессов и создавать инструменты для ускорения поставки ценности клиентам. Технологии и стек: Язык: Kotlin UI: Jetpack Compose, View (Legacy) Архитектура: Clean Architecture, SOLID, паттерны MVI/MVVM Асинхронность: Kotlin Coroutines/Flow, RxJava (Legacy) DI: Dagger 2 Требования: — коммерческий опыт разработки под Android от 2-х лет — уверенное владение Kotlin, знание Java Core — практический опыт разработки UI с Jetpack Compose — опыт работы с Kotlin Coroutines/Flow — опыт работы с Dagger 2 — понимание Clean Architecture, SOLID — понимание паттернов MVI и MVVM — умение писать Unit-тесты Будет плюсом: — опыт разработки, публикации и поддержки Android SDK — опыт работы с многомодульной структурой проекта — опыт работы с CI/CD (GitLab CI или др.) — опыт работы с Kotlin Multiplatform, Jetpack Compose Multiplatform Обязанности: — работать над качеством приложения, улучшать Crash-free, ANR-free, отзывчивость UI — поддерживать и разрабатывать инструменты платформы для продуктовых команд: фича-флаги, a/b тесты и т.д. — анализировать проблемы разработки и внедрять новые Quality Gates — внедрять новые технологии: Jetpack Compose Multiplatform, ИИ-агентов

Требования: — опыт в управлении проектами: успешный опыт управления внедрением AI, ML-моделей или цифровых решений, владение методологиями управления (Agile/Waterfall), инструментами планирования (Jira, Confluence) — экспертиза в AI: понимание принципов работы больших языковых моделей (LLM), архитектур RAG и многоагентных систем, опыт внедрения чат-ботов и голосовых ассистентов в реальную эксплуатацию — техническая грамотность: навык понимания стека технологий (Python, фреймворки для агентов, системы оркестрации, векторные базы данных) для эффективного взаимодействия с командой разработки — опыт тестирования: знание процессов оценки качества (evals), настройки мониторинга деградации моделей и проведения экспериментов для валидации решений — регуляторика и комплаенс: знание требований регуляторов РФ к автоматизированной обработке данных и информационная безопасность — компетенции управления: навык работы с кросс-функциональными командами, четкая постановка задач, контроль сроков и проведение проверок кода (Code Review) в части AI-решений Задачи: — управлять полным жизненным циклом проекта: планирование, инициация и контроль всех этапов внедрения AI-решений: от формирования целей и оценки ресурсов до сдачи результата и закрытия проекта, управление сроками и бюджетом инициативы — координировать кросс-функциональную работу: организация взаимодействия между разработчиками, аналитиками, риск-менеджментом и подрядчиками — управлять качеством и рисками: внедрение процессов контроля качества ответов ИИ (включая выявление ошибок), настройка мониторинга работоспособности моделей в промышленной среде — обеспечивать соответствие требованиям: контроль выполнения регуляторных норм РФ (в т.ч. 152-ФЗ) и внутренних политик информационной безопасности на всех этапах внедрения автоматизированных систем — управлять изменениями и обучением: разработка планов перехода на новые технологии, обучение операторов и аналитиков работе с системами, интеграция процессов с участием человека (Human-in-the-loop) для сложных сценариев — анализировать эффективность: организация и анализ результатов экспериментов (A/B-тестов), сравнение эффективности ручных и автоматизированных сценариев, принятие решений о масштабировании успешных практик

Команда строит платформу для быстрого создания AI-агентов и целых агентских систем — отдельный инфраструктурный слой для AI-разработки. Ozon Tech собирает новую команду под эту задачу. Ищут Senior-разработчиков. Стек — любой, Go в приоритете, но знать его заранее необязательно: интервью можно проходить на привычном языке. После выхода будет возможность освоить Go уже в команде — помогут с адаптацией и погружением в стек.

Задачи: — Развитие направления A/B-тестирования: поддержка полного цикла экспериментов от постановки гипотезы до интерпретации результатов в рамках взаимодействия с бизнес-заказчиками. — Проектирование и развитие внутренней платформы для A/B-тестов как в онлайн, так и оффлайн каналах: хранение метаданных, расчет метрик, логика сегментации, аналитические витрины и инструменты принятия решений. — Разработка и поддержка data pipelines для сбора, обработки, валидации и мониторинга данных по экспериментам. — Формирование единого слоя продуктовых и бизнес-метрик, а также правил интерпретации результатов тестов. — Автоматизация рутинных аналитических задач с помощью LLM и ИИ-агентов: генерация SQL, подготовка отчетов, первичный разбор результатов, контроль качества данных. — Разработка self-service инструментов для продуктовых и аналитических команд, позволяющих быстрее запускать и разбирать эксперименты. — Взаимодействие с продуктом, разработкой и аналитиками для внедрения культуры принятия решений на основе экспериментов. — Подготовка документации, стандартов и best practices по experimentation-направлению. Требования: — Опыт работы от 3+ лет, успешные кейсы по запуску и проведению A/B тестов. — Уверенное владение Python и SQL. — Практический опыт в продуктовой аналитике, data engineering или разработке внутренних аналитических решений. — Опыт проведения и анализа A/B-тестов: дизайн эксперимента, выбор метрик, проверка корректности результатов, интерпретация выводов. — Понимание принципов построения витрин данных, ETL/ELT-процессов, контроля качества данных и мониторинга пайплайнов. — Умение переводить бизнес- и продуктовые задачи в формализованные аналитические и технические решения. — Опыт разработки решений, которыми пользуются внутренние команды: аналитики, product managers, разработчики. — Интерес к автоматизации аналитики и применению LLM/AI-подходов в рабочих процессах. Будет здорово, если имеются навыки построения устойчивых агентских циклов, управления контекстом моделей и памятью. Условия: — Официальное трудоустройство в собственную аккредитованную ИТ компанию со всеми преимуществами. — Возможность самореализации в амбициозных проектах цифровой трансформации компании-лидера в своей отрасли. — Достойный уровень оплаты, годовой бонус. — Конкурентоспособный социальный пакет (ДМС, включая компенсацию 80% для детей, частичная компенсация фитнеса). — Гибридный формат работы.

Задачи: — Сбор, анализ и формализация функциональных и нефункциональных требований заказчика к платформе и реализуемым на базе платформы ИИ-агентам (в том числе "охлаждение" нереалистичных требований) — Трекинг реализации функциональных требований — Описание спецификаций агентов: роль и цель агента, сценарии использования, границы полномочий, поведение при отказе, эскалация к человеку (human-in-the-loop) — Определение критериев успешности внедрения платформы и реализации ИИ-агентов (выделение ключевых метрик, определение методики расчета данных метрик, согласование достижимости ожидаемых значений) — Описание процессов as-is / to-be — Формализация политик ограничений и требований информационной безопасности — Описание контрактов внешних систем: возможности систем заказчика, требования к данным агента, разрешённые действия и классы данных — Организация и проведение приёмо-сдаточных испытаний (ПСИ), подготовка ПМИ, составление протокола приемки — Управление объемом проекта (арбитраж расхождений «дефект реализации / корректное поведение по спецификации / новое требование») — Ведение проектной документации и базы знаний проекта (Jira, Confluence) Требования: — Опыт работы системным аналитиком от 4 лет, в том числе на проектах внедрения ПО у enterprise-заказчиков — Умение писать проверяемые требования: каждое требование имеет способ подтверждения и критерий приёмки — Понимание интеграций на уровне контрактов: REST API, JSON, микросервисная архитектура — Понимание устройства ИИ-систем на уровне постановки требований: что такое LLM и её вероятностная природа, агент, инструмент (function calling), RAG, guardrails, мультиагентная схема — Понимание специфики приёмки недетерминированных систем: метрики качества, пороги, эталонные датасеты, статистическая природа результата — Навыки управления ожиданиями заказчика — Опыт работы с LLM на уровне выше вопрос/ответ Будет плюсом: — Опыт проектов с ML/LLM, ИИ-агентами, RAG-системами и т.д. — Опыт реализации собственных ИИ-агентов — Знакомство с практиками оценки качества LLM: evals, golden dataset, LLM-as-judge — Понимание возможностей платформ для реализации ИИ-агентов (для оценки реализуемости требований) — Опыт on-premise внедрений у крупных заказчиков / госсектора — Опыт работы с требованиями к нагрузке и SLA на уровне сбора и фиксации