Junior AQA инженер (Поток)
Описание
Вакансия для того, кто хочет строить инновации мирового уровня и видеть реальный след от своей работы. Команда создаёт ИИ-решение для анализа реализации стратегии Сбера. Это кейс на уровне топовых мировых исследований в области сценарного моделирования комплексных экономико-социальных систем и построения предиктивных алгоритмов. Ищем в команду ребят с сильным техническим и концептуальным мышлением и жаждой создавать новое.Обязанности функциональное тестирование backend сервисов и UI и написание и поддержка тестовой документации (чек-листы, тест-кейсы, баг-репорты, инструкции) подготовка тестовых данных для тестирования / проведения ПСИ, участие в релизах, проведение регрессионного тестирования и в проведении сценариев приемо-сдаточных испытаний (ПСИ) участие в работе с обращениями от пользователей и анализ информации в БД и логах сервисов построение и поддержка eval-набора (golden set) и регрессионного контроля качества при смене моделей, промптов и версий приложения автоматизированная оценка качества генерации (LLM-as-judge, метрики типа Ragas) при релизах тестирование RAG: качество поиска релевантного контекста, корректность источников, поведение при неполной / противоречивой информации тестирование агентных сценариев: многошаговые цепочки, вызовы инструментов (MCP), повторные попытки, эскалация к человеку участие в мониторинге качества в проде и настройке обратной связи от пользователей. Требования опыт работы на позиции AQA на Python от 1 года понимание HTTP, кодов ответов, авторизации опыт тестирования API (REST/JSON) для проверки интеграций и бизнес-логики, микросервисного взаимодействия опыт тестирования запросов с помощью Postman/Insomnia/Swagger опыт работы с форматами данных: JSON, YAML, XML, HTML знание SQL, умение написать SQL запрос средней сложности базовый опыт работы с системами сбора и визуализации метрик, работа с логами (Prometheus, Grafana) и понимание CI/CD и участия QA в пайплайнах доставки понимание принципов работы LLM и их ограничений: недетерминированность вывода, галлюцинации, методы оценки качества генеративных моделей и опыт построения eval-наборов (golden set) и оценки качества LLM; желательно — LLM-as-judge, Ragas. Будет плюсом понимание RAG и методов оценки качества retrieval: релевантность контекста, корректность источников опыт тестирования агентных систем: многошаговые агенты, tool calling опыт работы с Python для автоматизации оценки (pytest) понимание метрик качества AI-продукта и мониторинга качества в проде опыт работы с Kafka опыт работы с векторными / графовыми БД (например, Qdrant) Условия гибридный формат работы из офиса в г. Москва годовой бонус и ежегодный пересмотр ДМС с первого дня + стоматологию и льготное страхование для семьи корпоративный университет Сбера, внутреннюю образовательную платформу, участие в IT-конференциях офис на Ленинском проспекте с зонами отдыха и спортзалом льготную ипотеку в Сбере, корпоративную пенсионную программу, подписку СберПрайм с возможностью совместного использования на трёх близких, скидки от партнеров и сервисов группы компаний.