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:
-
- импорт данных из различных источников: production, Common Crawl, open-source datasets, generated data;
- валидацию и контроль качества данных;
- хранение и версионирование датасетов;
- 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.
