NLP engineer

Мы - команда GigaChat Pretrain Data, готовим pretrain данные для GigaChat и GigaChat Vision. Pretrain данные - это фундамент, с которого начинается путь современной LLM модели и то, от чего наиболее зависит ее итоговое качество. Сырых данных более 40Пб и основная задача заключается в том, чтобы из этого хаоса сделать датасет, на котором будет обучена лучшая LLM в России.

• генерировать синтетические данные: математика, код, произвольная синтетика с сидами - документами из Web
• исследовать токенизацию и ее влияние на качество модели (возможно написание статей)
• решать задачи кластеризации миллиардов документов
• исследовать разные факторы, которыми обладают текстовые данные
• генерировать Vision данные для прокачки VLM
• разрабатывать новые алгоритмы парсинга HTML и исследовать его влияние на качество модели
• исследовать зависимости между pretrain данными и agentic capabilities итоговой модели
• разрабатывать стабильную инфраструктуру, которая будет поддерживать проведение сотен и тысяч экспериментов над данными.

• имеешь коммерческий релевантный опыт связанный с NLP или построением инфраструктуры для данных от двух лет.
• Будет плюсом: навыки работы с генеративными AI-моделями; опыт создания AI-агентов и использования их в работе будет преимуществом; опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов; инструментальное владение AI для анализа, генерации и автоматизации; опыт с MapReduce системами

• комфортный современный офис рядом с м. Кутузовская
• гибридный формат работы (2 дня в офисе, 3 дня на удалёнке)
• 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
• льготная программа ипотеки для сотрудников
• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
• вознаграждение за рекомендацию друзей в команду Сбера.