Data Engineer for VLM Training Data (GigaChat Vision)

Мы ищем Data Engineer, который будет отвечать за инфраструктуру, пайплайны и качество данных для обучения современных Vision-Language Models. Роль находится на стыке data engineering и ML: нужно будет работать с большими мультимодальными датасетами, понимать потребности исследователей и ML-инженеров, строить пайплайны очистки, фильтрации, категоризации и генерации данных, а также обеспечивать воспроизводимый экспорт данных в формат для обучения моделей.

• Собирать и структурировать потребности ML-команды в данных: какие данные нужны для обучения, дообучения, оценки и улучшения VLM.
• Предлагать и реализовывать идеи пайплайнов очистки, фильтрации, дедупликации, категоризации и генерации данных.
• Ориентироваться в современных практиках построения датасетов для Vision-Language Models: image-text pairs, synthetic data, filtering, quality scoring, data mixture design, dataset versioning.
• Отвечать за инфраструктуру хранения и подготовки данных, включая:

1. импорт данных из различных источников: production, Common Crawl, open-source datasets, generated data;
2. валидацию и контроль качества данных;
3. хранение и версионирование датасетов;
4. экспорт данных в форматы, пригодные для обучения моделей.

• Проектировать и реализовывать пайплайны обработки данных на большом масштабе, включая десятки миллиардов изображений.
• Разрабатывать пайплайны генерации синтетических данных для обучения и улучшения VLM.
• Собирать статистику по данным, строить отчёты и визуализации для анализа состава, качества и покрытия датасетов.
• Обеспечивать воспроизводимость, наблюдаемость и надёжность data-процессов.
• Работать в тесной связке с ML-инженерами, исследователями и инфраструктурной командой.

• Сильный опыт в data engineering и построении production-grade data pipelines.
• Уверенное владение Python, включая multiprocessing, multithreading и async-подходы.
• Опыт работы с большими объёмами данных и распределённой обработкой.
• Практический опыт с объектными хранилищами, в частности S3 или аналогами.
• Опыт работы с YTsaurus или похожими системами для распределённого хранения и обработки данных.
• Понимание принципов валидации, очистки, дедупликации и версионирования датасетов.
• Опыт работы с DVC, Git, Docker.
• Опыт работы с PostgreSQL или другими реляционными базами данных.
• Умение проектировать устойчивые пайплайны: от импорта данных до финального экспорта в training-ready формат.
• Способность самостоятельно разбираться в нечетко сформулированных задачах и доводить их до работающего решения.
• Готовность работать на стыке engineering и ML research.

Будет плюсом

• Опыт работы с мультимодальными данными: изображения, текст, image-text pairs, captions, OCR, metadata.
• Понимание того, как устроены современные датасеты для обучения VLM / LMM / multimodal models.
• Опыт построения пайплайнов для synthetic data generation.
• Опыт реализации quality scoring, filtering, semantic deduplication, clustering или data attribution.
• Опыт визуализации статистики по большим датасетам и построения внутренних аналитических дашбордов.
• Опыт работы с Common Crawl, LAION-подобными датасетами, open-source vision-language datasets.
• Базовое понимание ML training pipeline и того, как качество данных влияет на качество модели.

• крупнейшее DS&AI community — более 600 DS-специалистов банка
• дайджест о самых последних разработках в области DS&AI и отчеты с крупнейших конференций мира
• возможность быть соавтором НИРов и статей для международных конференций
• возможность выбрать удобный формат работы: гибрид или офис
• ежегодный пересмотр зарплаты, годовая премия
• 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
• ипотека выгоднее до 7% для каждого сотрудника
• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
• вознаграждение за рекомендацию друзей в команду Сбера.