Мы - команда GigaChat Enterprise, дочерняя организация Сбера, мы занимаем лидирующие позиции в сфере коммерциализации технологии GenAI с продуктом GigaChat. Мы предлагаем полный цикл решений: LLM-модель GigaChat для локальной и облачной инсталляции, инфраструктуру для GenAI, платформу для разработки агентных систем, готовые GenAI-решения для быстрого старта в типовых задачах, реализацию уникальных клиентских кейсов, консалтинг по GenAI-трансформации. В своей работе мы помогаем нашим партнерам перейти от экспериментов с технологией к промышленному масштабированию, обеспечивая безопасность, адаптивность и экономическую выгоду.
Обязанности:
- Проектировать и разрабатывать RAG-пайплайны: chunking, embedding, retrieval, reranking, generation
- Подбирать стратегии обработки и разбиения документов под разные типы контента (recursive, semantic, document-aware chunking)
- Работать с разными форматами данных: PDF, DOCX, XLSX, изображения, документы без текстового слоя
- Настраивать и оптимизировать векторный и гибридный поиск
- Проектировать flow с логикой вызовов: роутинг, условные переходы, цепочки промптов
- Разрабатывать агентные системы с использованием инструментов и многошаговым планированием
- Интегрировать внешние модели: embedding-модели, rerankers, классификаторы, vision-модели
- Оценивать качество систем: настраивать retrieval-метрики (hit rate, MRR, NDCG), проводить оценку генерации (RAGAS, faithfulness, relevancy)
- Контейнеризировать и деплоить решения на on-prem инфраструктуру
Требования
- Опыт работы от 3х лет
- Опыт работы с AI инструментами: от года
- Опыт создания RAG-систем
- Понимание архитектуры LLM: принципы работы трансформеров, управление контекстным окном, ограничения по токенам, стратегии работы с длинным контекстом (chunking, map-reduce, refine), узкие места inference
- Знание NLP: токенизация, эмбеддинги, работа с текстом на разных языках
- LangChain, LlamaIndex
- LLM-инференс: OpenAI API, GigaChat API, vLLM, Ollama
- Векторные БД: FAISS, Qdrant, Milvus, Chroma, Weaviate, Elasticsearch
- Hybrid search: BM25 + dense retrieval, reciprocal rank fusion
- Embedding-модели: e5, bge, multilingual-e5
- Python, Git, Docker, docker-compose
- PostgreSQL, Redis
- Методы оценки: hit rate, RAGAS, human evaluation
- Способность объяснить принятые технические решения и их trade-offs
Условия
- достойная заработная плата + годовой бонус
- сильная команда
- ДМС, с первого рабочего дня
- работа в аккредитованной IT компании
- льготная ипотека от Сбера
- локация: Москва, м. Цветной бульвар.
