NLP engineer (GigaChat)

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.

* 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.

* 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.

* 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.