Мы создаём языковые модели нового поколения, и качество обучающих данных лежит в основе всего, что мы делаем. Команда сбора данных отвечает за поиск источников, веб-краулинг, загрузку и лицензирование разнообразных высококачественных датасетов, на которых обучаются наши модели. В этой роли вы будете отвечать за техническое развитие систем веб-краулинга и загрузки данных, которые поставляют петабайты текстов в обучающие пайплайны. Это роль для сильного техлида: человека, который не только проектирует и развивает критически важные системы, но и задаёт инженерные стандарты, помогает команде принимать сильные технические решения и распространяет экспертизу внутри направления. Позиция предполагает значительное влияние на архитектуру и развитие команды и даёт естественную траекторию роста в сторону роли тимлида.

Обязанности

* Проектировать, развивать и поддерживать масштабируемую инфраструктуру веб-краулинга, способную обрабатывать миллиарды страниц на разных языках и из разных доменов.

* Развивать пайплайны загрузки данных, которые преобразуют сырой контент в структурированные, дедуплицированные и обогащённые метаданными датасеты, готовые к дальнейшей обработке.

* Разрабатывать алгоритмы планирования и приоритизации краулинга, повышающие актуальность, покрытие и разнообразие данных в условиях ограничений по вычислительным ресурсам и пропускной способности.

* Создавать и поддерживать системы поиска и индексирования, которые позволяют исследователям и инженерам находить, запрашивать и отбирать данные из полного корпуса.

* Вместе с командой обработки данных определять схемы, сигналы качества и интерфейсы передачи данных между этапами сбора и подготовки.

* Обеспечивать наблюдаемость систем: метрики, логирование, алертинг и инструменты для быстрого реагирования на инциденты.

* Оценивать и подключать внешние источники данных, согласовывая технические требования к форматам поставки и API.

* Выступать техническим ориентиром для команды: помогать коллегам в выборе решений, проводить архитектурные обсуждения, участвовать в code review и повышать инженерную зрелость направления.

* Менторить инженеров команды и распространять лучшие практики проектирования, эксплуатации и развития систем сбора данных.

Требования

* Высшее образование в области computer science, математики или смежной области.

* Не менее 6 лет опыта в разработке ПО, из которых как минимум 3 года — в создании масштабных распределённых систем.

* Глубокую экспертизу в веб-краулинге, скрейпинге или информационном поиске в масштабе миллиардов документов.

* Уверенное владение Python, Go или C++, а также опыт работы с Kubernetes или аналогичными системами оркестрации контейнеров.

* Практический опыт работы с распределёнными системами хранения данных и key-value- или документоориентированными базами данных.

* Хорошее понимание сетевых протоколов и веб-стандартов, значимых для краулинга.

* Опыт ведения сложных технических инициатив — от архитектурного замысла до production-эксплуатации.

* Способность быть техническим лидером для команды: аргументированно принимать решения, синхронизировать инженеров вокруг архитектурного подхода и развивать экспертизу коллег.

* Сильные письменные и устные коммуникативные навыки; умение влиять на технические решения в кросс-функциональном взаимодействии.

Будет плюсом

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

* Опыт работы с YTSaurus.

* Опыт эксплуатации веб-краулеров петабайтного масштаба.

* Бэкграунд в NLP, извлечении текста или определении языка для многоязычных корпусов.

* Опыт менторинга инженеров и неформального лидерства в сильной технической команде.

Условия

* Кластеры YTSaurus с большим количеством ресурсов: десятки петабайт + десятки тысяч ядер.

* Сильная команда выпускников МФТИ, ВШЭ, МГУ, много людей с опытом работы в профильном БигТехе.

* 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-партнёров.

* вознаграждение за рекомендацию друзей в команду Сбера.