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

Основные задачи будут лежать в следующих сферах:

Инфраструктура:

* поддержка данных для обучения VLM на кластере YTSaurus.

* построение удобной платформы для эффективного анализа/обработки данных (фильтрация, дедупликация и пр.)

* автоматизация процессов через Airflow.

RnD:

* поиск и синтез данных для обучения VLM (есть несколько областей: OCR/Charts&Tables/Grounding&Counting/General и тд).

* исследование пайплайнов по созданию чистых и разнообразных датасетов (на примере FineVision).

Эксперименты и метрики:

* Обучение VLM на подготовленных данных.

* проведение исследований релевантных intrain метрик, бенчмарков для замера качества.

Требования

* Опыт построения дата пайплайнов и data quality процессов

* Опыт работы в production ml команде (большие нагрузки как преимущество)

* Понимание задач CV и современных подходов в больших языковых моделях

* Опыт решения задач, связанных с влиянием данных на качество VLM

* Практический опыт работы с VLM.

Условия

* комфортный современный офис рядом с м. Кутузовская

* возможность выбрать удобный график – офис/гибрид/удаленка (в РФ)

* 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 для сотрудников по дисконтной прогамме

* бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров

* вознаграждение за рекомендацию друзей в команду Сбера.