ML-инженер по данным для мультимодальных моделей

грейд
senior
страна
Россия
опубликована
сегодня

описание

Мы делаем данные, на которых GigaChat учится видеть: разбирать фотографии, документы, графики, рукописный текст и видео. Команда Multimodal Data (Vision) отвечает за всё, что попадает в обучение визуальной части модели после претрейна: SFT и DPO. Модели, которые на них учатся, — от десятков до сотен миллиардов параметров. Результат измеряем на открытых мультимодальных бенчмарках: OCRBench v2, OmniDocBench, MMMU, MathVision, Point-Bench и других.

задачи

  • Собирать данные под конкретные бенчмарки и доказывать их эффект.
  • Разбирать дампы замеров по субтаскам, находить, чего модели не хватает, собирать данные в формате замера и измерять результат. Например, под OCRBench v2 данные собираются по каждой из 23 подзадач отдельно, от распознавания формул до таблиц в HTML.
  • Генерировать синтетику, переписывать ответы моделями-учителями и проектировать цепочки пошаговых визуальных рассуждений. Рендерить русские документы, таблицы, формулы и рукописный текст с точной разметкой (LaTeX и HTML → PDF → картинка), генерировать вопросы и ответы открытыми моделями-учителями, отсеивать брак автоматическими проверками и LLM-судьями.
  • Строить DPO-пары. «Плохой» ответ в паре берём из ошибок нашей модели (галлюцинации, зацикливание в длинном OCR, сломанный формат), «хороший» — исправленный и проверенный. Под каждый тип дефекта своя корзина пар, без смещения по длине ответа.
  • Проектировать разметку. Инструкции, контрольные задания и агрегация для крауда на TagMe и для внутренних экспертов, SBS-сравнения моделей на реальных запросах пользователей, проверка LLM-судей людьми. Люди нужны там, где ответ нельзя проверить автоматически: открытые вопросы, сравнения, оценка рассуждений.
  • Контролировать чистоту данных и развивать платформу. Настраивать автоматические пайплайны дедупликации документов, определения утечек тестовых сетов. Работать с git-версионированием, конвертерами в формат обучения с тестами, выгрузками на YTsaurus и валидацией в Airflow. Дашборды состава датамикса с автоматическим диффом двух версий SFT или DPO, загрузка открытых датасетов и проверка эффекта отдельного источника LoRA-дообучением с замером на бенчмарках.

требования

  • Не меньше трёх лет готовили данные для обучения или оценки ML-моделей: сбор, фильтрация, дедупликация, разметка. Понимаете, как SFT и DPO данные влияют на модель.
  • Уверенно пишете на Python (PyTorch, Pandas/Polars, Asyncio для пакетных запросов к API) и SQL, понимаете базовые концепции распределённого обучения.
  • Имеете опыт работы с большими языковыми или мультимодальными моделями (VLM, Vision Transformers) и библиотеками Hugging Face.
  • Используете LLM/VLM как прикладной инструмент: автоматическая фильтрация, генерация синтетики, пайплайны с LLM-судьями, проверка судей людьми, контроль стоимости и пропускной способности.
  • Обладаете сильной математической и статистической культурой: знаете про дисперсию и шум бенчмарков, согласованность разметчиков и парные сравнения, отличаете рост метрики от утечки теста.
  • Будет плюсом: Работали с мультимодальными моделями: VLM, OCR, понимание документов; знакомы с lmms-eval или похожими фреймворками замеров; Проектировали краудсорсинговую разметку (TagMe, Toloka): инструкции, контрольные задания, агрегация; Проводили эксперименты по эффективному дообучению (LoRA, QLoRA, PEFT) на GPU-кластерах; Работали с распределёнными хранилищами и Big Data инструментами: YTsaurus, Spark или ClickHouse на сотнях миллионов строк и с Airflow

условия

  • 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.

навыки

компания

Крупнейший российский банк и экосистема. Предоставляет банковские услуги: кредиты, вклады, карты, ипотека. Развивает сервисы: доставка, здоровье, развлечения, облачные технологии и ИИ. Удобно для финансов и повседневных задач.

Подробнее о компании →

похожие вакансии

статьи для разработчиков