Наша команда занимается созданием инструментов и решений для внутренней безопасности на базе AI. Наши планы имеют широкий спектр - начиная от Classical Machine Learning, DL-моделей для скоринга, поведенческого моделирования и заканчивая AI-агентами.
Сейчас мы ищем Middle/Senior Data Scientist с опытом в Deep Learning и с желанием развиваться в других направлениях.
Обязанности
- Разработка, обучение и оптимизация сложных архитектур глубоких нейронных сетей, включая сверточные (CNN), рекуррентные (RNN, LSTM, GRU), трансформеры (Transformers, BERT, GPT, ViT) и генеративные модели (GAN, VAE).
- Исследование и внедрение передовых техник стабилизации и оптимизации обучения нейросетей: нормализация (BatchNorm, LayerNorm), методы регуляризации (Dropout, Weight Decay), механизмы внимания (Self-Attention, Multi-Head Attention).
- Разработка кастомных loss-функций и метрик, адаптированных под специфические задачи.
- Проведение гиперпараметрического тюнинга с использованием продвинутых методов (например, Bayesian Optimization, Hyperband).
- Работа с большими объемами разнообразных данных (структурированных, текстовых, изображений, видео) с применением техник аугментации и генерации данных.
- Оптимизация моделей для ускорения вывода (pruning, quantization, distillation).
- Разработка пайплайнов для обучения и деплоя моделей с использованием MLOps инструментов (Docker, Kubernetes, Airflow, TensorRT).
- Руководство и менторство младшими DS/ML инженеров.
- Исследование новых архитектур и технологий (Neural Architecture Search, self-supervised learning, few-shot learning).
- Взаимодействие с продуктовой командой для интеграции AI-решений в бизнес-процессы.
Требования
- Высшее образование в области компьютерных наук, прикладной математики, физики или смежных областей.
- Глубокие знания архитектур глубокого обучения и современных фреймворков PyTorch/TensorFlow/JAX.
- Опыт создания и оптимизации CNN, RNN, Transformer-based моделей, GAN, VAE.
- Умение работать с большими наборами данных, навыки эффективной обработки и аугментации данных.
- Знание алгоритмов оптимизации (Adam, RMSProp, LAMB) и техник регуляризации.
- Опыт применения Transfer Learning, Fine-Tuning, Curriculum Learning, Contrastive Learning.
- Знание методов Explainable AI (SHAP, LIME, attention visualization).
- Навыки работы с распределёнными вычислениями и MLOps: опыт сборки контейнеров.
- Понимание теории вероятностей, статистики и математической оптимизации.
- Опыт публикаций научных работ и участия в конференциях будет плюсом.
Условия
- Инновационные, амбициозные проекты и задачи, которые развивают: всегда есть возможность прокачать свои навыки в работе и профессионально расти;
- Среда для обмена знаниями – высокая экспертиза внутри команды;
- Сплоченная команда, работающая над общими задачами и умеющая хорошо отдыхать;
- Нашу культуру создают сами сотрудники – мы их слышим и помогаем создавать и поддерживать корпоративные комьюнити по интересам
- Стабильная заработная плата и годовой бонус;
- Гибридный формат работы. Современный IT-офис вблизи Москва-Сити в пяти минутах от метро "Кутузовская", с фитнес залом;
- 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.
