Senior AI/ML Engineer (LLM Agents & Classical ML)

Навыки

• AI-агенты
• Airflow
• XGBoost / LightGBM / CatBoost
• Анализ данных
• Docker
• FastAPI
• GitLab

О компании и продукте

• это позиция на стыке двух миров. Мы ищем инженера, для которого LLM-агентные системы и классический ML — равноценные части работы
• Команда Collateral Machine автоматизирует оценку залогов в банке. Наш флагман — Залоговый Copilot: агентная LLM-система, которая берет на себя рутину от анализа документов до подготовки решений, постепенно выводя человека из операционной цепочки (но сохраняя контроль качества)

Задачи

• развивать архитектуру агентов и одновременно поддерживать и улучшать классические ML-модели оценки имущества
• Наш стек
• Основное (LLM/агенты): Python 3.10+, LangChain/LangGraph, Pydantic AI, vLLM/LiteLLM, Langfuse/Langsmith, векторные БД (pgvector/Milvus/Qdrant), Hugging Face Transformers
• ML и данные: pandas, scikit-learn, LightGBM/XGBoost, PyTorch, spaCy, Spark, Hive, Hadoop, Airflow, MLflow
• Инфраструктура и сервисы: FastAPI, Docker, Kubernetes, GitLab, Prometheus, Grafana
• Стек большой — не нужно владеть всем. Под основным мы понимаем то, на чём держится продукт
• остальное используется точечно. Важнее инженерное мышление и сила в LLM и классическом ML, чем галочка по каждой технологии
• проектировать и выводить в прод LLM-агентов и ассистентов для работы с залогами: multi-step и agentic workflow, оркестрация моделей, инструментов и внешних сервисов
• строить и развивать RAG-системы поверх залоговых документов и структурированных данных банка
• проектировать архитектуру LLM-решений с явным учётом trade-off'ов по качеству, latency, стоимости, надёжности и наблюдаемости
• выстраивать систему оценки качества (eval) агентов: датасеты, метрики, отлов регрессий при смене промптов и моделей
• обеспечивать надёжность и безопасность LLM-систем в банковском контуре: guardrails, защита от prompt injection и утечек данных, контроль галлюцинаций
• участвовать во всём жизненном цикле решения — от обсуждения задачи с бизнесом и декомпозиции до деплоя и мониторинга в production
• общаться с бизнес-заказчиками напрямую, превращать их боли в технические задачи, а не в «красивый график»
• поддерживать и развивать ML-составляющую оценки имущества там
• следить за развитием области LLM и агентов и аргументированно решать, что стоит и что не стоит тащить в прод
• работать в Agile/LeSS и участвовать в улучшении подходов команды
• Технопарк) Гибрид 📍 Россия
• Новосибирская область Екатеринбург Санкт-Петербург Омск Казань Нижний Новгород Удалённо
• Технологии/инструменты Langgraph VLLM LightGBM XGBoost PySpark Kubernetes FastAPI Hadoop MLflow Docker Ключевое о роли
• Вам предстоит не просто экспериментировать, а строить продакшен-решения, где надежность банка сочетается с гибкостью современных моделей
• О команде и проекте

Требования

• LLM и агентные системы — ядро роли
• опыт продуктового внедрения LLM-систем: хотя бы одна система с реальными пользователями, доведённая до прода (а не пет-проект или демо в ноутбуке), с метриками и интеграцией в процессы компании
• опыт построения production-grade retrieval (RAG и за его пределами): гибридный поиск и reranking, агентный/multi-hop retrieval, понимание трейд-оффов между retrieval и длинным контекстом
• умение строить retrieval с аудируемым следом для регулируемых решений, а не просто «поиск похожих чанков»
• опыт разработки мультиагентных систем: проектирование multi-step и agentic workflow, оркестрация моделей и инструментов, интеграция со структурированными и неструктурированными источниками
• уверенный context engineering: управление контекстом и персистентной памятью между сессиями (накопление состояния от взаимодействия к взаимодействию), компактизация, логика прогрузки
• умение самостоятельно проектировать архитектуру сложного LLM-решения с обоснованием архитектурных решений (качество / latency / стоимость / надёжность / развиваемость)
• практика оценки качества LLM-систем: построение eval-датасетов, выбор метрик, отлов регрессий — критично для продукта, где LLM влияет на решения
• понимание рисков LLM в проде: галлюцинации, prompt injection, утечки данных и как с этим бороться
• Инженерная база
• сильный Python (3.10+), умение писать продакшен-код, а не только эксперименты
• опыт LLMOps/MLOps: версионирование, воспроизводимость, мониторинг качества в проде, автоматизация пайплайнов деплоя
• уверенная работа с данными: сбор, очистка и первичное исследование датасетов
• навык работы с кодинг-агентами (Claude Code, Codex и подобными)
• Классический ML — равноценная часть роли
• практический опыт классического (в т.ч. табличного) ML на senior-уровне: построение, обучение и улучшение моделей оценки имущества (LightGBM/XGBoost, scikit-learn)
• уверенный feature engineering и анализ качества данных: контроль корректности признаков и глубокое понимание ограничений источников
• полный цикл ML-модели в проде: от гипотезы и экспериментов до деплоя, мониторинга и контроля дрейфа данных
• умение балансировать классические ML-подходы и LLM — выбирать правильный инструмент под задачу, а не тащить LLM туда, где достаточно бустинга (и наоборот)
• Soft-составляющая
• умение вести техническую дискуссию простым языком с разными стейкхолдерами
• стратегическое мышление: видеть общую картину и тренды, балансировать детальный и абстрактный уровни
• продуктовый взгляд: ориентация на пользу и долгосрочное развитие, а не на разовый результат
• готовность брать задачу end-to-end и нести за неё ответственность
• опыт с графами знаний / семантическим слоем для retrieval (актуально для связанных сущностей: залог, заёмщик, оценка, обременения)

Будет плюсом

• опыт работы с big-data стеком: Spark, Airflow, Hadoop/Hive
• опыт с NLP-задачами на документах (spaCy, Transformers) — у нас много неструктурированных залоговых документов
• опыт с банковскими/регулируемыми доменами и требованиями к explainability решений
• практический опыт настройки observability для LLM (трейсинг вызовов, дашборды по качеству и расходам на токены)

Условия

• локация: Москва (возможна удаленная работа)
• возможность работать над комплексными задачами, которые видны бизнесу и напрямую влияют на процессы банка
• продуктовый подход: мы нацелены на внедрение и результат, а не только на research
• работу в сильной команде с опытными коллегами
• современный технологический стек и пространство для профессионального роста
• ДМС со стоматологией, массажем, телемедициной, ежегодными чек-апами, которое работает как в Москве, так и в регионах
• страхование от несчастных случаев и онкологических заболеваний, страхование выезжающих за границу
• поддержка опытного наставника, обучающие курсы для комфортной адаптации, помощь в развитии экспертизы со стороны профессиональных сообществ банка
• бесплатные индивидуальные консультации психологов, юристов, экспертов по личным финансам и консультантов по здоровому образу жизни, карьерные консультации
• льготные условия на банковские продукты и услуги
• скидки от партнеров банка в приложении PrimeZone в сферах здоровья, развлечений, творчества и интернет-покупок

Паспорт вакансии

История публикации

Откуда что взялось

Отмечено то, что вывели мы. Без пометки — значение назвал работодатель.

Почему на этом месте в выдаче

Порядок выдачи объявлен контрактом: свежесть решает между днями, полнота и зарплата — внутри дня.