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.

Обязанности

* 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.

Требования

* 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.

Условия

* 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.