Наша CV команда создает лучший в Сбере продукт для автоматического распознавания документов, используя самые передовые технологии. Главными задачами для нас являются разработка и улучшение OCR-модели на базе VLM, сбор обучающих данных с использованием кастомного agentic harness, и развёртывание клиентского сервиса внутри банка. Мы ищем Middle/Senior инженера, который будет заниматься полным циклом обучения и деплоя продукта.

Обязанности

* изучать SOTA подходы к OCR: чтение свежих пейперов в сфере e2e OCR, адаптация подходов data mining, SFT/RL, гипотезы

* ставить эксперименты по обучению VLM-моделей: проверка гипотез на multi-node сетапе, замер метрик на внешних и внутренних бенчмарках.

* дорабатывать пайплайн обучения: улучшение репозитория на текущем стеке (accelerate, TRL) - ускорение обучения, добавление аугментаций, адаптация под новые модели

* собирать обучающие данных: агрегация существующих и новых данных в требуемом формате MarkDown, поиск новых доменов, написание скриптов по загрузке

* размечать датасеты: запуск процесса разметки для вновь собранных или существующих данных при помощи кастомного agentic harness сборщика разметки (а также его улучшение), или внутренней платформы разметки асессорами

* адаптировать сервис: интеграция обученных моделей в сервис на основе vLLM для сёрвинга клиентам внутри банка.

Требования

* высшее образование: математика, информатика или профильный data science

* 3+ лет в ML, из них не меньше года лет с LLM/VLM в проде

* английский для чтения статей и документации

* Fine-tuning: SFT, LoRA/QLoRA, RL (DPO, GRPO)

* современные движки инференса: vLLM, sgLang, triton

* опыт работы с VLM: понимание принципов работы, дообучения, основных ограничений

* агентные пайплайны: вызовы моделей, обработка исключений, ограничение стоимости

* опыт в разметке датасетов асессорами, или автоматическими инструментами

* Python: пишете код, который уходит в прод. Тесты, ревью, код-стайл

* специфика банка: много контрагетов, с ними нужно иногда коммуницировать

\*\*Будет плюсом\*\*

* опыт python-бэкендера: FastAPI, асинхронность, очереди, PostgreSQL, векторные хранилища

* работа с разметчиками и контрагентами

* публикации, доклады, open source.

Условия

* комфортный современный офис - м. Кутузовская

* гибридный формат работы

* ежегодный пересмотр зарплаты, годовой бонус

* 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

* 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

* корпоративная пенсионная программа.