Инженер по оценке качества ГенИИ-моделей (GenAI Evaluation Engineer)
Наша команда отвечает за независимую оценку и контроль качества генеративных моделей Банка. Наша основная задача оценить флагманские генеративные модели Сбера – GigaChat, Kandinsky, GigaCode и PhysicalAI решений. Мы первыми видим, на что способна новая модель и проводим оценку новых возможностей прежде чем она выйдет к пользователям. Мы не просто «проверяем метрики», а:
- глубоко разбираемся в подходах команд-разработчиков и в бизнес-процессах, где работают модели
- критически рассматриваем архитектурные и методологические решения и предлагаем улучшения
- разрабатываем собственные проверки, метрики и бенчмарки и фреймворки для их запуска
- проводим оценку логов пользователей для построения наиболее релевантного тестирования
Отдельный фокус – R D деятельность:
- создание новых методологий оценки качества
- участие в разработке и развитии передовых банковских и российских бенчмарков (MERA, POLLUX и др.)
- адаптация передовых мировых бенчмарков под специфику банковских кейсов и многое другое
Эта роль про независимое измерение фундаментального качества модели: не про их обучение – этим занимается отдельная команда.
Что предстоит делать
придумывать, как вообще измерить модель ИИ стремительно развивается в мире и выходят новые модели и их виды, однако не всегда любая новая модель стала лучше предыдущей. Вам будет необходимо создать план по её проверке: что именно измерять, на какой выборке, с чем сравнивать, какая разница вообще будет считаться разницей в реальном качестве.
отвечать за достоверность измерений Полученные метрики не всегда отражают только лишь качество модели. Нужно уметь отделять реальный прирост качества от прочих факторов: ловить утечки данных в обучение, отличать дефект модели от дефекта замера, промпта или обвязки и проявлять тот же скепсис к собственной методологии: измеряем ли мы то, что заявили.
разбираться в причинах ошибок «Модель ошиблась» – это не вывод, а начало работы. Найденная вами причина той или иной проблемы модели превращается в рекомендацию команде разработки, а рекомендация – в следующую версию модели, которая этой ошибки уже не делает.
строить автоматическую оценку Разрабатывать LLM- и VLM-судей под конкретные задачи, разрабатывать с нуля собственные или дорабатывать существующие библиотеки валидации полного цикла и следим за фронтиром AI-исследований в области оценки моделей
строить то, чем пользуются другие Фреймворки оценки, который вы развиваете – общие для команд по всему Банку. Бенчмарки, которые вы делаете, являются достоверной базой реального качества для разработчиков Банка и вне.
Требования
- умение проводить технический и научный ресерч: находить и критически разбирать актуальные статьи, бенчмарки, модели и реализации; переводить ресерч в конкретные идеи для тестирования и развития внутренних подходов
- статистика и дизайн эксперимента: доверительные интервалы, размер выборки, проверка гипотез, поправки на множественные сравнения
- понимание современных AI-агентов и агентных систем: понимать, чем агент отличается от обычного вызова LLM; знать основные компоненты агентной системы: роли, инструменты, контекст, память и оркестрация
- понимаете, как устроены генеративным модели изнутри: трансформер и механизм внимания, диффузии, токенизация, параметры генерации, этапы обучения
- опыт с генеративными моделями и понимание, как их оценивают: метрики, бенчмарки, human evaluation, Model-as-a-judge и его ограничения
- продуктовое мышление: связывать тестирование с реальными пользовательскими сценариями и понимать, какие ошибки критичны для продукта, понимать влияние результатов на релиз и дальнейшее развитие модели
- Python на продакшн-уровне: чистый код по PEP 8, ООП и типовые паттерны проектирования, аннотации типов, привычка к линтерам и статическому анализу (ruff, mypy). Создаете и поддерживаете production-код eval-пайплайнов, читаете и ревьюите чужой
будет плюсом:
- R D-опыт или участие в создании бенчмарков;
- мультимодальные модели (изображения, видео, аудио);
- evaluation-фреймворки и harness;
- RAG;
- работа с асессорами;
- coding-агенты (Claude Code, Codex, Cursor);
- опыт работы с оркестрацией: LangGraph, OpenClaw, навыки вайбкодинга и AI-assisted coding.
Условия
- годовая премия до 6 окладов и регулярный пересмотр зарплат
- гибкий формат удаленной работы на территории г. Новосибирска
- расширенный ДМС, льготное страхование для семьи
- более 400 образовательных программ СберУниверситета
- DS AI community (600+ специалистов, митапы, мастер-классы)
- корпоративный спортзал
- гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
- подписка Прайм с возможностью совместного использования на трёх близких.
- реферальная программа для сотрудников: можно пригласить в команду знакомых профессионалов и получить вознаграждение
- современный офис и гибридный формат, спортзал, снэки и кофе.