ML Engineer в центр робототехники
В Центре робототехники Сбера мы обучаем модели, которые должны управлять роботами в сложных реальных условиях. Для этого мало просто собрать большое количество данных: нужно понимать, какие записи полезны, где в них ошибки и каких примеров модели не хватает. Сейчас нам нужен Data Analyst / Data Engineer в Data Conveyor Team, который будет находить проблемы в данных, оценивать их качество и проверять через обучение моделей, как состав датасета влияет на результат.
Это роль на стыке анализа данных, инженерии данных и практических ML-экспериментов: нужно не только строить проверки качества, но и запускать обучение или дообучение моделей на разных версиях данных, сравнивать метрики и превращать выводы в конкретные решения по сбору, разметке, фильтрации и выборке.
- Строить автоматические и полуавтоматические пайплайны проверки качества данных, чтобы находить технические и смысловые дефекты до попадания данных в обучение.
- Запускать или сопровождать обучение и дообучение моделей на разных версиях датасетов, чтобы измерять влияние качества, состава и фильтрации данных на метрики модели.
- Разрабатывать метрики качества данных и использовать их как диагностический сигнал до тех пор, пока не доказана связь с успешностью модели на роботе и в тестовых сценариях.
- Формировать фильтры, уровни качества и стратегии выборки по качеству, разнообразию, задачам, объектам, окружениям, роботам, источникам и типам ошибок.
- Проводить сравнительные эксперименты с составом данных, чтобы проверять, какие данные действительно помогают модели, а какие можно исключить или отправить на доработку.
- Анализировать ошибки модели и переводить их в конкретные запросы на данные: что дособирать, что переразметить, что удалить, что добавить в выборку.
- Готовить теги задач, объектов, окружений и ошибок, эталонные наборы примеров, правила контроля качества разметки и критерии приемки.
- Исследовать, как изменения камер, конфигурации робота, калибровки или других сенсоров влияют на качество данных и результат модели.
- Готовить краткие технические отчеты: гипотеза, данные, метрики, ограничения, выводы, рекомендуемые изменения для релиза датасета или плана сбора данных.
- 3+ года опыта в data analysis, data engineering, ML engineering, applied ML или близкой области.
- Уверенный Python: pandas/polars, numpy, visualization, notebooks, batch data processing.
- SQL и опыт работы с большими датасетами, manifests, metadata, dashboards или analytics pipelines.
- Понимание экспериментального дизайна: ablations, контрольные группы, statistical reliability, интерпретация метрик.
- Базовое понимание ML training / eval loop и связи состава данных с метриками модели.
- Умение анализировать мультимодальные данные: видео, временные ряды, actions, task metadata, labels.
- Способность переводить наблюдения из данных и ошибок модели в actionable recommendations.
- Хорошая письменная коммуникация для отчетов, журналов решений и постановки задач смежным командам.
Будет плюсом:
- Опыт с robot learning, VLA, imitation learning, RL, CV/VLM datasets или embodied AI.
- Опыт с W&B, MLflow, Hydra, experiment tracking, dataset lineage.
- Опыт с annotation QA, active learning, data curation, anomaly detection или quality scoring.
- Понимание domain shift, camera shift, embodiment gap, task transfer и data-centric AI.
- Дружный и высококвалифицированный коллектив
- Уникальные масштабные проекты, работа в приоритетном направлении
- Достойная заработная плата (оклад + годовая премия)
- Современные рабочие места и программное обеспечение
- ДМС, корпоративная пенсионная программа, страхование от несчастных случаев, социальные гарантии, корпоративные мероприятия
- Высокий уровень корпоративной культуры
- Работа в офисе (г. Москва, метро Автозаводская)
