Наша команда разрабатывает RAG-архитектуру для GigaChat (модель и сайт).
Основные задачи, которые выполняет сервис RAG (Retrieval Augmented Generation):
- поиск релевантной информации: RAG осуществляет эффективный поиск и извлечение данных из внешних баз знаний, документов или других источников, которые могут содержать ответ на запрос пользователя.
- дополнение контекста: найденные данные добавляются к запросу, который затем передается генеративной языковой модели (LLM), чтобы обогатить и уточнить ответ.
- генерация точного и обоснованного ответа: на основе как внутреннего знания модели, так и извлеченной релевантной информации RAG создает ответ, который более точен и менее подвержен ошибочным или вымышленным фактам (галлюцинациям).
- актуализация данных: позволяет получать ответы на основе свежих и обновляемых данных без необходимости переобучения самой языковой модели.
- поддержка факточекинга и ссылок на источники: RAG может предоставлять ссылки на исходные документы или данные, подтверждающие ответ.
- использование в специализированных задачах: решение вопросов в узкоспециализированных областях, таких как техническая поддержка, юридическая консультация, HR, клиентский сервис и интернет-магазины, где важна точность и своевременность информации.
- снижение рисков ошибок и галлюцинаций: минимизация случаев, когда модель выдает ложные или неточные сведения.
Обязанности
- проектировать архитектуру backend-сервисов и RAG-систем
- руководить разработкой ключевых компонентов на Python / FastAPI
- принимать технические решения по API, данным, очередям, интеграциям и RAG-пайплайнам
- оптимизировать производительность, надежность и стоимость backend- и LLM-компонентов
- развивать подходы к поиску: semantic search, hybrid search, reranking, metadata filtering
- обеспечивать качество кода, проводить code review и помогать junior/middle-разработчикам
- исследовать новые технологии в области LLM, RAG и backend-разработки.
Требования
- 5+ лет коммерческого опыта backend-разработки, преимущественно на Python.
- глубокое знание Python, FastAPI, асинхронного программирования и архитектуры backend-сервисов.
- сильный опыт работы с PostgreSQL, Redis, Docker / Docker Compose.
- опыт работы с Qdrant или другими vector databases в production.
- глубокое понимание RAG: ingestion, chunking, embeddings, retrieval, reranking, generation, evaluation.
- опыт интеграции LLM API и понимание их ограничений: latency, cost, rate limits, hallucinations.
- опыт работы с Kafka в production-сценариях.
- опыт проектирования микросервисной архитектуры.
- умение писать поддерживаемый, тестируемый и расширяемый код.
- опыт технического лидерства, декомпозиции задач и code review.
- английский язык на уровне чтения технической документации.
Условия
- возможность выбрать удобный формат работы: гибрид или офис
- комфортный современный офис рядом с м. Кутузовская
- ежегодный пересмотр зарплаты, годовая премия
- корпоративный спортзал и зоны отдыха
- более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
- расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
- ипотека выгоднее до 7% для каждого сотрудника
- бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
- вознаграждение за рекомендацию друзей в команду Сбера.
