Вас ждёт практическая работа с современными GenAI-системами в крупном финтехе, но сочетание разработки агентов, RAG, backend и классического ML оставляет фокус роли не до конца ясным.
?Широкий профиль
Современный стек
ИИ в финтехе
От прототипа к production
Мэтч & Сопровод
Покажет вашу совместимость и напишет письмо
Создать профиль и узнать мэтч
Описание вакансии
Текст:
Hirify AI/Оригинал
TL;DR
Data Scientist (AI) (GenAI/RAG): Разработка ИИ-ассистентов, многоагентных решений и RAG-систем для корпоративных знаний с акцентом на интеграцию с API, базами данных и внутренними системами. Focus on проектирование production-сервисов, оценку качества и производительности моделей и перевод успешных прототипов в production.
Локация: Минск, Красная улица, 7. Формат работы: на месте работодателя или гибрид.
Компания
Альфа-Банк — системно значимый частный банк Беларуси, развивающий финтех-продукты в области мобильных платежей, онлайн-кредитования и цифровых транзакций.
Что делать
Разрабатывать и внедрять ИИ-ассистентов, агентов и многоагентные решения для бизнес-процессов и корпоративных знаний.
Создавать RAG-системы и интеллектуальный поиск по документам, данным и внутренним источникам.
Интегрировать ИИ-решения с корпоративными системами, API, базами данных и внешними инструментами.
Исследовать и внедрять модели для текстовых, мультимодальных и голосовых сценариев.
Разрабатывать сервисы и участвовать в проектировании архитектуры ИИ-решений.
Оценивать качество и производительность решений, проводить эксперименты и переводить успешные прототипы в production.
Требования
От 1 года до 3 лет коммерческого или прикладного опыта разработки GenAI-приложений: ИИ-ассистентов, агентов, workflow и многоагентных систем.
Понимание tool calling, structured output, управления контекстом, памяти, состояния и выполнения сценариев.
Практическое знание RAG: document ingestion, chunking, embeddings, векторный поиск, retrieval, reranking, метаданные и оценка качества ответов.
Понимание MCP и A2A, интеграции агентов через инструменты, REST API, OpenAI-совместимые API, внешние сервисы и базы данных.
Уверенное знание Python и SQL; опыт разработки backend-сервисов на FastAPI или аналогах, асинхронного программирования, PostgreSQL и векторных баз данных.
Знание подходов к выбору и тестированию LLM-, embedding- и rerank-моделей, параметров инференса, контекстных ограничений, latency, качества и стоимости запросов.
Понимание архитектуры production-систем: ООП, проектирование API, микросервисы, Docker, Git, логирование, обработка ошибок, unit- и integration-тестирование.
Хорошо, если есть
Опыт с LangChain, LangGraph, Langfuse, OpenAI Agents SDK и аналогичными фреймворками.
Опыт применения parent-child retrieval, contextual retrieval, agentic RAG, GraphRAG и других продвинутых RAG-техник.
Опыт с Qdrant, Milvus, Weaviate, pgvector, Elasticsearch/OpenSearch, ANN-индексацией и гибридным поиском.
Опыт развёртывания моделей через vLLM или SGLang, понимание GPU-инференса, квантования, batching и оптимизации производительности.
Знакомство с VLM, OCR, TTS, STT, ETL, document processing, Airflow/n8n и инструментами оценки Ragas, DeepEval, Promptfoo, LangSmith, Arize Phoenix.
Опыт с классическим ML и Deep Learning, включая подготовку и анализ данных, обучение и валидацию моделей, классификацию, регрессию, кластеризацию, временные ряды, Computer Vision и NLP.
Культура и преимущества
Работа в команде с высокой экспертизой.
Стабильный и прозрачный доход.
Среда для профессионального роста и развития.
Сочетание стабильности банка и гибкости ИТ.
Корпоративная культура.
Будьте осторожны
Если работодатель просит войти в их систему, используя iCloud/Google, прислать код/пароль, запустить код/ПО, не делайте этого. Это мошенники. Обязательно жмите «Пожаловаться» или пишите в поддержку. Подробнее в гайде →