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.
✔ 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.
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).
комфортный современный офис - в Москве (м. Кутузовская) или Санкт-Петербурге
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.
