Data Scientist

Альфа Банк - один из ведущих частных банков, который входит в число системно значимых банков Беларуси.

Мы работаем как финтех-компания, интегрируя в свою бизнес-модель успешные практики в области мобильных платежей, онлайн-кредитования, цифровых транзакций и других передовых технологий.

Сейчас в Альфе более 70 тысяч бизнес-клиентов и 1 100 000 клиентов-физлиц.

Сегодня в команде Альфа Банка более 2900 профессионалов.

Мы объединяем людей с разным опытом, взглядами и интересами.

Присоединяйся к команде. Вместе мы способны на большее!

Ключевые задачи:

• 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 компании;
• интегрировать ИИ-решения с корпоративными системами, API, базами данных и внешними инструментами;
• исследовать, подбирать 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.

Пожелания к кандидатам:

• коммерческий или прикладной опыт 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, работа с метаданными и оценка качества ответа;
• понимание MCP и A2A, опыт или готовность работать с интеграцией агентов через инструменты, REST API, OpenAI-совместимые API, внешние сервисы и базы данных;
• уверенный Python и SQL; опыт разработки backend-сервисов на FastAPI или аналогах, асинхронного программирования, PostgreSQL и векторных БД;
• знание подходов к выбору и тестированию моделей: LLM, embedding и rerank; понимание 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.

Будет преимуществом:

• опыт с LangChain, LangGraph, Langfuse, OpenAI Agents SDK и аналогичными фреймворками для оркестрации, трассировки и оценки LLM-приложений;
• практический опыт применения продвинутых RAG-техник: parent-child retrieval, contextual retrieval, agentic RAG, GraphRAG и прочие;
• опыт работы с Qdrant, Milvus, Weaviate, pgvector, Elasticsearch/OpenSearch, а также понимание ANN-индексации и гибридного поиска;
• опыт развёртывания моделей через vLLM, SGLang; понимание GPU-инференса, квантования, batching и оптимизации производительности;
• знакомство с VLM, OCR, TTS, STT, ETL-процессами, document processing, Airflow/n8n, а также инструментами оценки: Ragas, DeepEval, Promptfoo, LangSmith, Arize Phoenix;
• опыт работы с классическим ML: подготовка и анализ данных, обучение и валидация моделей, понимание задач классификации, регрессии, кластеризации, временных рядов и основных метрик качества;
• опыт работы с Deep Learning: Computer Vision, NLP.

Что предлагаем для твоего комфорта:

• работу в команде с высокой экспертизой;
• стабильный и прозрачный доход;
• среду роста и развития;
• сочетание стабильности банка и гибкости ИТ;
• крутую корпоративную культуру.