Data Engineer

Мы - команда ML-инженеров, специализирующаяся на инфраструктуре данных и валидации моделей. Наша команда создает критически важные инструменты для оценки качества моделей, разрабатывает пайплайны обработки данных и фокусируется на генерации высококачественных технических и кодовых данных для обучения моделей.

Наши основные направления:

• Validation & Metrics – инструменты валидации и замера моделей

• Data Engineering – пайплайны чистки и синтеза данных

• Code & Technical Data – генерация кодовых/технических данных

• MLOps – хостинг и использование opensource моделей

• Model Training – эксперименты с LoRA и SFT

Если тебе интересно создавать инфраструктуру для развития LLM и работать с передовыми технологиями в области данных — приходи к нам.

Обязанности

Validation & Metrics

• разрабатывать инструменты для валидации и замера качества моделей
• создавать метрики оценки производительности и точности LLM
• автоматизировать процессы тестирования и бенчмаркинга

Data Engineering

• строить и оптимизировать пайплайны чистки и синтеза данных
• разрабатывать системы контроля качества данных
• автоматизировать процессы фильтрации и предобработки

Code & Technical Data

• генерировать высококачественные кодовые и технические датасеты
• работать с различными форматами программного кода и технической документации
• создавать синтетические данные для обучения моделей на технических задачах

MLOps:

• развертывать и поддерживать инфраструктуру для хостинга opensource моделей
• интегрировать и использовать opensource модели в продуктовых решениях
• обеспечивать мониторинг и масштабирование ML-сервисов

Model Training & Experiments

• обучать LoRA адаптеры для экспериментальных задач
• проводить SFT обучение в рамках исследований данных
• анализировать результаты экспериментов и итерировать подходы.

Требования

• отличное знание Python и опыт работы с ML-библиотеками (LangChain/LangGraph, PyTorch, llm-foundry, verl)
• опыт работы с LLM (как opensource: Llama, Mistral, Qwen, так и проприетарными: GPT, Claude)
• понимание принципов работы с данными для обучения моделей: сбор, очистка, валидация
• навыки построения ML пайплайнов и автоматизации процессов
• понимание процессов, знание подходов к валидации и тестированию моделей машинного обучения
• понимание основ MLOps и работы с контейнеризацией (Docker).

Будет плюсом:

• опыт с фреймворками для работы с агентами и RAG
• знание подходов к fine-tuning (LoRA, QLoRA, SFT)
• опыт работы с системами версионирования данных и экспериментов (DVC, MLflow, W&B)
• понимание принципов работы с кодовыми данными и техническими текстами
• опыт развертывания и мониторинга ML-моделей в production.

Условия

• комфортный современный офис - м. Кутузовская
• ежегодный пересмотр зарплаты, годовой бонус
• корпоративный спортзал и зоны отдыха
• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
• гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
• вознаграждение за рекомендацию друзей в команду Сбера
• корпоративная пенсионная программа.