Приглашаем Middle AI Engineer для участия в инновационном R&D-проекте по разработке интеллектуального агента на базе LLM. Цель проекта – создать прототип системы, которая оценивает эффект управленческих интервенций (uplift-моделирование) и генерирует объяснения причинно-следственных связей на естественном языке с помощью RAG. Проект осуществляется в сотрудничестве с крупным промышленным партнером и объединяет методы LLM, каузального вывода и графов знаний. Это отличная возможность поработать с современными технологиями ИИ.Примеры задачПроведение обзора литературы и экспериментов: анализ современных методов применения LLM для выявления причинно-следственных связей и объяснения результатов моделей.Установление связей «причина-следствие» в данных на основе статистических методов и здравого смысла. Исследование влияния различных признаков на эффективность маркетинговых кампаний.Реализация методов оценки эффекта от различных бизнес-интервенций.Построение причинно-следственного графа по данным. Оценка устойчивости графа при обновлении данных.Разработка алгоритма преобразования причинно-следственного графа в формат, оптимальный для использования в контексте LLMРеализация RAG-пайплайна для LLM, передача релевантных фактов и узлов графа в промпт.Разработка модуля объяснения решений: программирование генерации текстовых отчетов, где агент обосновывает, за счет каких факторов и как именно выбранная интервенция повлияет на целевую метрикуТестирование модели на ретроспективных данных, сравнение предсказанных эффектов с фактическими, анализ ошибок модели и улучшение качества интерпретаций.Обязанностисбор, подготовка и проверка корректности датасетов. Построение причинно-следственного графа факторов, влияющих на ключевые бизнес-показатели, и статистическая проверка выявленных связей;тестирование качества работы агента на исторических данных, оценка точности прогнозов и объяснений, внедрение метрик качества;проектирование и реализация архитектуры агента, который будет обрабатывать запросы пользователей, интегрировать внешние данные и выдавать интерпретируемые ответы;настройка RAG для поиска и извлечения релевантной информации для обогащения контекста LLM; подключение данных из причинно-следственного графа к модели для повышения достоверности ответов и снижения "галлюцинаций";моделирование эффектов интервенций. Реализация алгоритмов расчета uplift-эффекта с помощью LLM. Сравнительный анализ влияния различных вмешательств на бизнес-показатели;тестирование LLM с целью генерации корректных причинно-следственных интерпретаций;документирование выполненных решений.Требования
оконченное высшее образование по направлению компьютерные науки, прикладная математика, анализ данных;
умение и желание извлекать, очищать и готовить сырые текстовые данные для моделирования;уверенное чтение и понимание статей по теме LLM и документации на английском языке;углубленное понимание принципов работы LLM и практический опыт построения систем на базе LLM (в т. ч. агентных) от 1 года;навык развертывания локальных LLM моделей, prompt engineering, RAG, few-shot learning;уверенные навыки программирования на Python, умение писать чистый и эффективный код;умение использовать предобученные модели, адаптировать их под задачи (fine-tuning, LoRA, prompt tuning);аналитический склад ума, умение разбираться в сложных новых концепциях; инициативность и способность предлагать улучшения; умение работать в команде R&D и эффективно коммуницировать результаты стейкхолдерам.Обязательные используемые технологии:
Python;
библиотеки для анализа: pandas, numpy, scipy, statsmodels;
инструменты визуализации: matplotlib, plotly;
библиотеки для обработки естественного языка: NLTK и spaCy;
LLM: LangChain, Ollam, LlamaIndex.
базы данных: PostgresSQL, MongoDB, векторные БД;
опыт работы в Linux-среде, системами контроля версий (git, GitLab) и контейнирования (Docker);
опыт разработки API (FastAPI/Flask).
Будет весомым плюсом:опыт работы с графовыми структурами, знание графовых БД и библиотек (например, NetworkX или PyGraphviz) для создания и хранения причинно-следственных графов;опыт каузального анализа и причинного вывода (например, DoWhy, CausalML);опыт uplift-моделирования.Условияофис банка-партнера на Василеостровском острове;срочный трудовой договор до декабря 2025 года с возможностью продления;предоставляем все необходимые вычислительные ресурсы для комфортной работы с моделями и данными;работа в команде под руководством опытного тимлида, дружелюбная атмосфера, обмен знаниями, участие в обсуждении архитектурных решений;участие в передовом исследовательском проекте совместно с одним из лидеров отрасли (банком-партнером); возможность публикаций и выступлений по итогам проекта, рост экспертизы в области LLM и каузального ИИ.
