ml инженер для графовых AI-систем

Команда занимается исследованиями и разработкой современных AI-систем, использующих графовые представления для решения задач машинного обучения, работы со знаниями и улучшения больших языковых моделей. Она работает с Graph Neural Networks, Knowledge Graphs, GraphRAG, графовыми представлениями и гибридными подходами на стыке Graph ML и Generative AI, превращая перспективные идеи в прототипы и production-решения.

• Решать задачи машинного обучения на графовых данных: классификацию 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: строить, обогащать, очищать, связывать и использовать графы знаний в задачах машинного обучения;
• 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;
• 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.