AI Data Engineer (кредитные агенты на базе LLM)

Мы - команда разработки кредитных агентов на базе большой языковой модели. В команде открыта роль аналитика больших данных. У роли есть два основных фокуса:

• бизнес-анализ — глубокое понимание кредитных процессов, чтобы точно знать, какие диалоги нужны системе для обучения

• конструирование обучающих диалогов — превращение разрозненной текстовой информации в релевантный, сбалансированный датасет.

Бизнес-анализ

• погружение в домен: изучение кредитных процессов, регламентов, продуктовой документации; интервью с экспертами по кредитованию

• карта сценариев: построение intent-map и user journeys — какие задачи пользователь решает с ассистентом, где чаще ошибается

• приоритизация: определение ценных/частотных/рискованных сценариев; фокус датасета на них

• выявление пробелов: анализ логов диалогов и тикетов поддержки — где ассистент проваливается, что не покрыто; постановка задач на дозаготовку сэмплов

• связь «бизнес → данные → метрика»: перевод требований бизнеса в измеримые требования к датасету; защита покрытия сценариев

• артефакты: требования, схемы процессов, каталог намерений (Jira, Confluence).

Дата-анализ: подготовка диалогов

• сбор и синтез: извлечение диалогов из документации, БЗ, FAQ, тикетов, логов реальных обращений, переписок поддержки

• проектирование сценариев: явные и размытые запросы, оговорки, смена намерения, цепочки вызовов инструментов, ошибки и отказы (negative/refusal cases)

• синтетическая генерация: prompt-шаблоны для LLM-генерации диалогов; контроль качества (дедупликация, разнообразие, отсутствие PII)

• методология: гайды по разметке, критерии приёмки; обучение группы разметчиков (при наличии)

• оценка влияния: bad-case-анализ, итеративное улучшение датасета под ошибки системы.

Требования

• бизнес-анализ от 2 лет: интервью, моделирование процессов (BPMN/UML), написание требований

• LLM/ML Data от 1 года: разметка, синтез датасетов (SFT, RLHF/DPO)

• понимание tool calling / function calling и агентных сценариев

• рython…