Data Инженер (GigaChat)

Команда RnD NLP занимается исследованиями на переднем краю LLM-строения. Мы стремимся доводить результаты исследований до прикладного применения и сделать флагманскую модель GigaChat умнее, лучше и полезнее.

• Подготовка мультимодальных датасетов и бенчмарков для ML экспериментов продуктовыми командами по различным направлениям генеративных моделей: speech, music, image, video, 3D, text
• Сбор, обработка и хранение данных из открытых источников (web-сайты, huggingface, youtube, telegram, VK, pinterest, и пр)
• Генерация синтетических данных различными open-source моделями (qwen, flux, gemini и др)
• Организация проектов ручного сбора и валидации данных на крауд-платформах TagMe, Elementary, ЯЗ
• Фильтрация и процессинг данных на предмет дублей, блюра, вотермарок, неправомерного контента, реалистичности, эстетичности и технического качества.

Технический стек:

S3, PG, Hadoop, GreenPlum, Airflow, Docker, Kubernetes, Git, Vault, **Python/**SQL, ML Space, Confluence, Jira

• Знания Python (библиотеки для работы с данными и API)
• Опыт работы с ML-пайплайнами и дата сетами для CV/NLP
• Понимание принципов ETL/ELT, жизненного цикла данных
• Навыки работы с SQL (SELECT, JOIN, агрегаты, простые подзапросы)
• Понимание форматов данных (CSV, JSON, Parquet), принципов сериализации и хранения
• Опыт работы с Docker/Kubernetes

Будет плюсом:

• Опыт работы с Airflow или другими оркестраторами
• Понимание облачных сервисов

• комфортный современный офис рядом с м. Кутузовская
• гибридный формат работы
• ежегодный пересмотр зарплаты, годовая премия
• корпоративный спортзал и зоны отдыха
• система обучения для профессионального и карьерного развития
• расширенный полис ДМС с первого дня работы и страхование для семьи
• программа ипотеки для сотрудников
• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
• вознаграждение за рекомендацию друзей в команду Сбера.