Мы ищем Data Engineer, который будет отвечать за инфраструктуру, пайплайны и качество данных для обучения современных Vision-Language Models. Роль находится на стыке data engineering и ML: нужно будет работать с большими мультимодальными датасетами, понимать потребности исследователей и ML-инженеров, строить пайплайны очистки, фильтрации, категоризации и генерации данных, а также обеспечивать воспроизводимый экспорт данных в формат для обучения моделей.

Обязанности

* Собирать и структурировать потребности ML-команды в данных: какие данные нужны для обучения, дообучения, оценки и улучшения VLM.

* Предлагать и реализовывать идеи пайплайнов очистки, фильтрации, дедупликации, категоризации и генерации данных.

* Ориентироваться в современных практиках построения датасетов для Vision-Language Models: image-text pairs, synthetic data, filtering, quality scoring, data mixture design, dataset versioning.

* Отвечать за инфраструктуру хранения и подготовки данных, включая:

*

1. импорт данных из различных источников: production, Common Crawl, open-source datasets, generated data;

2. валидацию и контроль качества данных;

3. хранение и версионирование датасетов;

4. экспорт данных в форматы, пригодные для обучения моделей.

* Проектировать и реализовывать пайплайны обработки данных на большом масштабе, включая десятки миллиардов изображений.

* Разрабатывать пайплайны генерации синтетических данных для обучения и улучшения VLM.

* Собирать статистику по данным, строить отчёты и визуализации для анализа состава, качества и покрытия датасетов.

* Обеспечивать воспроизводимость, наблюдаемость и надёжность data-процессов.

* Работать в тесной связке с ML-инженерами, исследователями и инфраструктурной командой.

Требования

* Сильный опыт в data engineering и построении production-grade data pipelines.

* Уверенное владение Python, включая multiprocessing, multithreading и async-подходы.

* Опыт работы с большими объёмами данных и распределённой обработкой.

* Практический опыт с объектными хранилищами, в частности S3 или аналогами.

* Опыт работы с YTsaurus или похожими системами для распределённого хранения и обработки данных.

* Понимание принципов валидации, очистки, дедупликации и версионирования датасетов.

* Опыт работы с DVC, Git, Docker.

* Опыт работы с PostgreSQL или другими реляционными базами данных.

* Умение проектировать устойчивые пайплайны: от импорта данных до финального экспорта в training-ready формат.

* Способность самостоятельно разбираться в нечетко сформулированных задачах и доводить их до работающего решения.

* Готовность работать на стыке engineering и ML research.

Будет плюсом

------------

* Опыт работы с мультимодальными данными: изображения, текст, image-text pairs, captions, OCR, metadata.

* Понимание того, как устроены современные датасеты для обучения VLM / LMM / multimodal models.

* Опыт построения пайплайнов для synthetic data generation.

* Опыт реализации quality scoring, filtering, semantic deduplication, clustering или data attribution.

* Опыт визуализации статистики по большим датасетам и построения внутренних аналитических дашбордов.

* Опыт работы с Common Crawl, LAION-подобными датасетами, open-source vision-language datasets.

* Базовое понимание ML training pipeline и того, как качество данных влияет на качество модели.

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.