Ищем человека на стыке трёх миров: методология оценки зрелости (умеет по рубрикатору и артефактам поставить объективный балл), продуктовая/техническая грамотность в AI/ML (понимает, что такое PoC, MVP, LLM/RAG, MLOps, датасет, Business Value в Jira) и governance-мышление (работа со стандартами, аудит, рекомендации). Того, кто владеет методикой AI-индекса и измеряет его по всей группе компаний, проверяет доказательства, ставит оценку и подсказывает продукту, что сделать, чтобы вырасти.
Ключевые обязанности: - Проверка доказательств: проверять артефакты и данные, подтверждающие каждый индикатор: Jira (эпики, стори, цели, Business Value), протоколы ИК и ТК, витрины метрик качества и здоровья моделей, статистику токенов, ролевые модели RMS, данные QBR, уровень по методике «Управление данными»
- Валидация самооценки: отличать реальное подтверждение от декларации в опроснике – это суть шага валидации
- Оценка: проставлять балл 1–5 по шести направлениям и рассчитывать индекс продукта как среднее по направлениям, присваивать уровень зрелости
- Рекомендации: по каждому проседающему направлению формировать рекомендацию-минимум: какой конкретный артефакт следующего уровня нужен, чтобы вырасти на +1
- Развитие методики: дорабатывать методику и опросник (изменение параметров не чаще 1 раза в год) и готовить переход к автоматизированной верификации (цель – конец 2026, TechCheck – с 2027)
- Масштаб: приоритизировать волну оценки и держать единый стандарт, чтобы баллы были сопоставимы между кластерами
Какой опыт ожидаем: - Консалтинг/тех. аудит: опыт 1–3 года в одной из областей: технологический аудит и оценка зрелости (CMMI, ТМА), консалтинг по цифровой или AI-трансформации, роль владельца методики оценки
- Интервью и управление проектами. Продвинутый уровень. Навык интервью с продуктовыми командами, product owner, руководителями направлений, запрос доказательств, аргументированное разрешение споров по выставленной оценке
- Jira: уверенная работа
- Базовое понимание. AI/ML-технологии: умение распознать тип решения в продукте – ML, Deep Learning, LLM/RAG, мультимодальные модели, NLP, RecSys, NRT-аналитика (реального времени), Computer Vision, AI-агенты и копилоты; базовое понимание MLOps/LLMOps, инференса, мониторинга качества моделей, потребления токенов
- Базовое понимание. Данные и риски: data catalog, data lake, data quality, SLA на данные; AI-риски – технические, ИБ, правовые, социальные
Будет плюсом или чему предстоит научиться:
- Знание методики AI-индекса и её места в оценке техзрелости (часть опросника в SelfE, отдельный вес в КПЭ CTO)
- Знание, какой артефакт валиден для каждого уровня каждого направления
- Понимание смежной методики «Управление данными»
- Ориентирование в платформах и ЭПМ МТС (LLMOps/MLOps, коммунальная ИИ-платформа, DataOps), чтобы отличать «свою» инфраструктуру от «централизованной»
Что предлагаем: - Оформление по ИП или Самозанятости
- Комфортный современный офис
- Атмосферу стартапа и участие в инновационных проектах в области AI
