Старший специалист по разработке нейронных сетей
О компании
Альфа-Банк - один из крупнейших частных банков в России, активно развивающий инновационные технологические решения в области финансовых услуг. Он предлагает широкий спектр продуктов, включая кредитные карты, ипотечные и потребительские кредиты, а также инвестиционные и страховые услуги. Банк активно использует современные технологии, включая нейронные сети и искусственный интеллект, для улучшения клиентского опыта и оптимизации бизнес-процессов.
Ключевые факты:
- Год основания: 1990
- Обороты: более 1,5 трлн рублей
- Число сотрудников: более 20 000
- Клиенты: более 3 миллионов частных и более 500 000 корпоративных клиентов
- Награды: «Лучший банк по качеству обслуживания в России» по версии Euromoney
О вакансии
Команда разработки Альфа-Банка занимается созданием передовых решений в области обработки естественного языка и разработки нейронных сетей. В рамках команды вы будете участвовать в проектировании оркестраторов диалогов, а также в создании LLM-агентов, которые помогают пользователям эффективно взаимодействовать с банковскими услугами.
Вы будете непосредственно работать над улучшением качества NLP-моделей, используя современные подходы к машинному обучению, включая обучение моделей, их дообучение, а также оптимизацию и оценку качества. Кроме того, важным аспектом работы станет взаимодействие с другими командами для сбора требований и оценки влияния внедряемых решений на продукты банка.
Чем предстоит заниматься:
- Разработка оркестратора для управления диалогами и маршрутизации запросов между компонентами ассистента.
- Работа с мультиинтентными запросами: извлечение, классификация и корректная обработка нескольких намерений в одном сообщении.
- Проектирование и реализация агентных систем (LLM-агенты).
- Улучшение качества NLP-моделей: обучение, дообучение, оценка и оптимизация.
- Анализ пользовательских диалогов и внедрение улучшений на основе данных.
- Обучение моделей BERT-like и LLM.
- Проектирование RAG пайплайнов.
- Оптимизация моделей по latency.
- Проектирование оценки качества и мониторинга решений.
- Документирование архитектурных решений и экспериментов.
Что мы предлагаем:
- Работа в команде профессионалов
- Доступ к современным инструментам и технологиям
- Участие в интересных и масштабных проектах
- Обучение и повышение квалификации в области ML и AI
Обязанности
- Разработка оркестратора для управления диалогами
- Работа с мультиинтентными запросами
- Проектирование и реализация LLM-агентов
- Улучшение качества NLP-моделей
- Анализ пользовательских диалогов
- Обучение BERT-like и LLM моделей
- Проектирование RAG пайплайнов
- Оптимизация моделей по latency
- Проектирование оценки качества
- Документирование архитектурных решений
Требования
- Всё о работе
- Приведи друга
- Разработка оркестратора для управления диалогами и маршрутизации запросов между компонентами ассистента.
- Работа с мультиинтентными запросами: извлечение, классификация и корректная обработка нескольких намерений в одном сообщении.
- Проектирование и реализация агентных систем (LLM-агенты), способных выполнять последовательности действий для решения пользовательских задач.
- Улучшение качества NLP-моделей: обучение, дообучение, оценка и оптимизация.
- Анализ пользовательских диалогов и внедрение улучшений на основе данных.
- Обучение моделей BERT-like и LLM (PEFT, RLHF)
- Проектирование и реализация RAG пайплайнов
- Оптимизация моделей по latency (квантование, distillation, ONNX/TF оптимизации, Triton и т. п.
- Проектирование оценки качества и мониторинга решений
- Взаимодействие с командой продукта, инженерами данных и ML инженерами для сбора требований и оценки влияния решений.
- Документирование архитектурных решений, экспериментов и инструкций по эксплуатации.
- Опыт работы в области Data Science/ML: 3+ лет.
- Практический опыт внедрения моделей в продакшен: 1+ год.
- Глубокие навыки Python и распространённых библиотек: PyTorch и/или TensorFlow, Hugging Face Transformers.
- Опыт с LLM/RAG: построение пайплайнов, embeddings, retrieval (FAISS/Milvus/Pinecone), LangChain/Haystack
- Опыт оптимизации моделей: квантование, дистилляция, ONNX, TorchScript, Triton или аналогичные технологии.
- Навыки тестирования ML (unit tests для моделей, интеграционные тесты, E2E).
- Знание MLOps-инструментов: Docker, Kubernetes, CI/CD (GitLab CI/GitHub Actions), MLflow/W&B.