Intellias

Это практическая старшая роль для отличного инженера Python с сильными навыками data‑engineering, который действительно комфортно работает с AI‑агентами. Вы будете проектировать и строить каталог, семантический, правовой и аналитический уровни, превращающие крупные локальные хранилища данных в то, что могут использовать агенты.

• Построить основу оценки в начале: преобразовать существующий банк вопросов клиента и результаты диагностики в версионированный автоматизированный набор тестов с подтверждёнными экспертами результатами, установить базовый уровень и добыть исторические записи поддержки как второй набор истинных данных.
• Улучшить существующий сервис RAG клиента: гибридный поиск с переранжированием, контекст‑чувствительные фрагменты, контекстные заметки, ранние фильтры метаданных, мониторинг надёжности, при этом каждое изменение измеряется набором тестов перед выпуском.
• Построить конвейер извлечения метаданных и сущностей под управляемой трёхуровневой схемой (универсальный конверт, версионированные спецификации коллекций, открытый уровень обнаружения), с стратифицированным пилотом, проверкой человеком по уровню уверенности и панелями охвата.
• Создать слой синхронизации над контент‑платформой клиента (уведомления об изменениях, дельта‑опросы, запланированные полные обзоры), используемый поиском, извлечением и downstream‑просмотрами.
• Построить линии происхождения документов и временные представления: цепочки замещения и поправок, извлекаемые только при наличии в тексте, бипериодическое представление действительных условий, производный статус документа и запросный реестр обязательств, с проверкой человеком для цепочек высокого риска.
• Содействовать контролируемому графу знаний и оркестрации запросов: типизированные узлы и ребра с указанием происхождения и уверенности, маршрутизация между структурированным поиском, отфильтрованным извлечением и представлениями происхождения, явные заявления о полноте и типизированные пробелы, сообщаемые как ответы.
• Эксплуатировать поставленные возможности: релизы, ограниченные результатами оценки, границы свежести, обеспечиваемые удержанием устаревших данных, панели охвата и качества, проверки здоровья корпуса, сообщаемые владельцам документов.

• 6+ лет разработки на Python в продакшене, включая 2+ года инженерии LLM и RAG в продакшене: конвейеры поиска, векторные хранилища, структурированное извлечение и сопутствующие операционные инструменты.
• Сильный опыт построения оценочных стендов: версионированные наборы тестов, полученные из реальных банков вопросов, отдельная оценка поиска и ответов, оценка, при которой корректный «не найдено» считается проходом, и наборы, интегрированные в процесс доставки как ворота релизов (например, Langfuse, RAGAS, DeepEval или аналогичные, плюс пользовательские метрики).
• Инженерия гибридного поиска: комбинированный keyword и семантический поиск, слияние результатов, переранжирование с помощью cross‑encoder, настройка против измеренных базовых уровней, работа в рамках фиксированной модели эмбеддингов и индекса платформы.
• Обработка документов с учётом структуры: парсинг и фрагментация, сохраняющие таблицы (например, Docling, Tika или аналогичные), включая OCR‑обработку отсканированных документов и многоязычного контента.
• Масштабное извлечение LLM: схематическое извлечение атрибутов, сущностей, пунктов и отношений с уверенностью по каждому полю, откалиброванные пороги и цикл проверки человеком (например, Label Studio или аналогичные), пилотировано и измерено перед масштабированием.
• Сильный практический опыт работы с AI‑ассистентами и агентными рабочими процессами, включая способность выявлять релевантные кейсы и интегрировать возможности AI в повседневную инженерную практику.
• Глубокие знания PostgreSQL: типизированное реляционное моделирование плюс JSONB, схема‑как‑код с инструментами миграции, производные представления, управляемые как проверенные трансформации.
• Дисциплина происхождения и цитирования: каждый извлечённый факт прослеживается до исходного документа и отрывка; ответы явно указывают, когда что‑то не может быть подтверждено.
• Свободный английский для письменного и устного общения с командами клиента.

• Интеграция с SharePoint и Microsoft Graph APIs или эквивалентной корпоративной контент‑платформой: уведомления об изменениях, дельта‑опросы, метаданные разрешений.
• Бипериодическое моделирование (даты исполнения vs даты действия, as‑of запросы) и моделирование происхождения или замещения документов.
• Графовые движки (например, Apache AGE, Neo4j или аналогичные); контролируемые графы знаний с указанием происхождения каждого элемента.
• Знания в области юридических, контрактных или фондовых документов, либо продемонстрированная способность глубоко изучать домен документов.
• Поиск с учётом прав доступа: списки доступа, хранящиеся в индексе, разрешение групп при запросе, отказ при неопределённости (дизайн прав доступа находится в параллельном рабочем потоке; эта роль реализует его).
• Инженерия эффективности токенов: подготовка корпуса, нарезка секций, измерение стоимости запроса.
• Экспонирование возможностей на платформу ассистента как MCP‑инструменты или навыки; повседневное использование AI‑кодирующих агентов.
• Опыт работы в финансовых услугах или других регулируемых локальных средах; опыт взаимодействия с клиентами.

В Intellias, где технологии находятся в центре внимания, люди всегда ставятся выше процессов. Создавая комфортную атмосферу в нашей команде, мы даём возможность каждому раскрыть свой истинный потенциал и достичь выдающихся результатов. Поэтому мы предлагаем ряд преимуществ, поддерживающих ваше благополучие и способствующих профессиональному росту.

Мы привержены развитию равенства, разнообразия и инклюзивности как работодатель с равными возможностями. Все соискатели будут рассматриваться без дискриминации по признаку расы, цвета кожи, религии, возраста, пола, национальности, инвалидности, сексуальной ориентации, гендерной идентичности или выражения, статуса ветерана или любого другого признака, защищённого применимым законодательством.