Middle Graph ML & Knowledge Graphs (SberAI)

Наша команда занимается исследованиями и разработкой современных AI-систем, в которых графовые представления используются для решения задач машинного обучения, работы со знаниями и улучшения больших языковых моделей.

Мы работаем с Graph Neural Networks, Knowledge Graphs, GraphRAG, графовыми представлениями и гибридными подходами на стыке Graph ML и Generative AI. Исследуем современные методы, воспроизводим результаты статей и превращаем перспективные идеи в работающие прототипы и production-решения.

Ищем Middle специалиста, которому интересно развиваться на стыке машинного обучения, графов и современных AI-систем.

• решать задачи машинного обучения на графовых данных: классификация вершин и рёбер, link prediction, graph classification, anomaly detection и другие
• разрабатывать и обучать Graph Neural Networks: GCN, GAT, GraphSAGE и более современные архитектуры
• работать с Knowledge Graphs: построение, обогащение, очистка, связывание и использование графов знаний в ML-задачах
• исследовать методы представления графов и графов знаний: node/graph embeddings, Knowledge Graph Embeddings, GNN-based representations
• разрабатывать GraphRAG и гибридные retrieval-системы, объединяющие графовый поиск, семантический поиск и LLM
• исследовать способы интеграции структурированных знаний и графовых представлений в современные языковые модели
• решать задачи извлечения сущностей и отношений из неструктурированных данных, entity/relation extraction и entity linking
• работать с построением и развитием онтологий, схем и структур представления знаний
• проводить эксперименты, сравнивать подходы, строить baseline и проводить ablation study
• работать с графовыми и ML-бенчмарками, выбирать корректные метрики и анализировать результаты.

• понимание базовой теории графов и основных типов графовых задач
• понимание принципов работы Graph Neural Networks и message passing
• уверенное владение Python
• практический опыт работы с PyTorch
• знакомство с PyTorch Geometric, DGL или аналогичными библиотеками
• опыт работы с данными: NumPy, Pandas/Polars, scikit-learn
• понимание embeddings, similarity search и основных принципов retrieval
• продвинутое понимание современных LLM и Transformer-архитектур
• умение корректно ставить ML-эксперименты, выбирать метрики и интерпретировать результаты.

• комфортный современный офис рядом с м. Кутузовская 
• гибридный формат формат работы
• ежегодный пересмотр зарплаты, квартальная и годовая премия
• корпоративный спортзал и зоны отдыха более 400 образовательных программ СберУниверситета для профессионального и карьерного развития 
• программа адаптации и помощь руководителя на старте 
• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа 
• гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
• подписка Прайм с возможностью совместного использования на трёх близких 
• вознаграждение за рекомендацию друзей в команду Сбера.