LLM Data Evaluation Engineer

Мы помогаем государству проводить disrupt госуправления через внедрение AI/GenAI и ускорять национальное развитие AI/GenAI, организуем одно из крупнейших в мире профильных мероприятий – AIJourney, объединяем бизнес, государство и международное научное сообщество, чтобы обеспечить GenAI-трансформацию страны.

Обязанности

• cтроить и развивать систему оценки качества LLM, RAG и агентов: тестовые наборы, метрики, автоматические прогоны, отчёты

• проводить регрессионное тестирование в CI при смене моделей, промптов и настроек, контролировать качество перед релизами и показами

• оценивать агентов по траекториям: успешность задач, ошибки вызова инструментов, лишние шаги

• калибровать автоматическую оценку (LLM-as-a-judge) против экспертной разметки

• строить пайплайны обработки документов: PDF, сканы, OCR, таблицы, восстановление структуры

• готовить датасеты для дообучения, включая синтетические данные и траектории вызова инструментов.

Требования

• от 3 лет в Data Science, Data Engineering или ML, из них не менее года с LLM-проектами

• опыт построения с нуля системы оценки качества LLM или RAG

• знание метрик поиска (recall@k, MRR, nDCG) и метрик ответов (faithfulness, полнота, корректность)

• опыт оценки агентных систем или многошаговых сценариев

• прикладная статистика: доверительные интервалы, значимость различий, размер выборки

• опыт обработки реальных документов в продакшене, включая OCR

• Python на уровне production-кода, уверенный SQL

• оркестрация пайплайнов (Airflow, Prefect, Dagster или аналоги), версионирование данных и трекинг экспериментов (DVC, MLflow или аналоги).

Будет плюсом:

• работа с юридическими, нормативными или канцелярскими текстами на русском языке

• классический NLP: NER, классификация, извлечение сущностей

• опыт с русскоязычными бенчмарками

• работа с персональными данными по 152-ФЗ

• Elasticsearch, OpenSearch, векторные базы данных.

Условия

• гибридный формат работы (м Кутузовская)

• ежегодный пересмотр зарплаты…