СберNLP engineer (GigaChat)
Москва
Команда GigaChat Pretrain Data готовит и чистит большие pretrain‑датасеты для GigaChat и GigaChat Vision. Роль предполагает разработку генерации синтетики, парсинга и инфраструктуры экспериментов для повышения качества LLM/VLM
ГрейдJunior/Middle
Опытот 2 лет
Стек
NLPПарсинг HTMLMapReduceVision данныетокенизациякластеризация документов
Задачи
- •генерировать синтетические данные: математика, код, произвольная синтетика с сидами из Web
- •исследовать токенизацию и её влияние на качество модели
- •решать задачи кластеризации миллиардов документов
- •генерировать Vision данные для прокачки VLM
- •разрабатывать новые алгоритмы парсинга HTML
- •разрабатывать стабильную инфраструктуру для проведения сотен и тысяч экспериментов над данными
Обязательно
- •коммерческий релевантный опыт в NLP или в построении инфраструктуры для данных не менее 2 лет.
- •опыт работы с большими объёмами текстовых данных
- •умение проводить исследования качества данных и экспериментальную валидацию гипотез
- •навыки программирования для обработки данных
Будет плюсом
- •навыки работы с генеративными AI‑моделями
- •опыт создания AI‑агентов и использования их в работе
- •опыт использования GigaChat, Kandinsky или аналогов
- •инструментальное владение AI для анализа, генерации и автоматизации
- •опыт с MapReduce системами
