Системный аналитик

#вакансия #SA #systemanalyst #системный_аналитик #LLM #AI

Добрый день
Ищу системного аналитика на банковский проект, который занимается развитием продуктов на базе AI решений многофункциональной Платформы.
Формат: удаленный проект
Кандидатов рассматриваю только МСК и МО

💰Доход до 250 000 руб NET
Оформление только ИП

**Откликнуться контакт скрыт

- Опыт работы в роли системного аналитика от 3 лет;
- Владение навыками сбора, анализа и описания требований;
- Знание нотаций моделирования бизнес-процессов и опыт визуализации схем (UML, BPMN и др.);
- Понимание архитектуры: знание основ микросервисной и монолитной архитектуры, понимание того, как компоненты системы взаимодействуют друг с другом;
- Опыт работы с реляционными БД (DDL, DML);
- Понимание интеграций и API: знание принципов работы REST, форматов данных JSON/XML. Описание API в форматах OpenAPI, AsyncAPI и самостоятельно тестировать эндпоинты с помощью Postman или Swagger;
- Понимание архитектуры LLM и ИИ-агентов: знание концепций Tool-use, Skills, протоколов MCP, A2A;
- Знание принципов и техник RAG: понимание работы векторных баз данных и семантического поиска;
- Навыки промпт-инжиниринга (Prompt Engineering);
- Опыт работы с оценкой качества: понимание того, как измерять фактологическую точность, релевантность и безопасность ответов LLM;
- Опыт подготовки технической документации;
- Отличные коммуникативные навыки;
- Системное мышление, аналитический подход к решению задач, ориентация на результат;
- Опыт работы в командах, применяющих гибкие методологии разработки ПО

Преимуществом для кандидатов будет являться:

- Опыт разработки и отладки программного обеспечения;
- Управление доставкой (Delivery Management): управление релизным циклом (Release Management), выявление и устранение зависимостей между командами;
- Практический опыт использования low-code платформ для оркестрации ИИ-агентов (n8n, LangFlow);
- Навыки использования кодинг-агентов (Codex, Claude Code, Cursor, opencode и т.п.);
- Навыки использования фреймворков SDD (OpenSpec, SpecKit, SuperPowers);
- Базовые навыки написания скриптов (например, на Python) для автоматизации оценки качества (парсинг логов, прогон тестовых датасетов через LLM API);
- Понимание основ ML (чем эмбеддинги отличаются от классического полнотекстового поиска, в каких случаях нужен файнтюнинг модели, а в каких достаточно RAG).