Наша CV команда создает лучший в Сбере продукт для автоматического распознавания документов, используя самые передовые технологии. Главными задачами для нас являются разработка и улучшение OCR-модели на базе VLM, сбор обучающих данных с использованием кастомного agentic harness, и развёртывание клиентского сервиса внутри банка. Мы ищем Middle/Senior инженера, который будет заниматься полным циклом обучения и деплоя продукта.
Обязанности
- изучать SOTA подходы к OCR: чтение свежих пейперов в сфере e2e OCR, адаптация подходов data mining, SFT/RL, гипотезы
- ставить эксперименты по обучению VLM-моделей: проверка гипотез на multi-node сетапе, замер метрик на внешних и внутренних бенчмарках.
- дорабатывать пайплайн обучения: улучшение репозитория на текущем стеке (accelerate, TRL) - ускорение обучения, добавление аугментаций, адаптация под новые модели
- собирать обучающие данных: агрегация существующих и новых данных в требуемом формате MarkDown, поиск новых доменов, написание скриптов по загрузке
- размечать датасеты: запуск процесса разметки для вновь собранных или существующих данных при помощи кастомного agentic harness сборщика разметки (а также его улучшение), или внутренней платформы разметки асессорами
- адаптировать сервис: интеграция обученных моделей в сервис на основе vLLM для сёрвинга клиентам внутри банка.
Требования
- высшее образование: математика, информатика или профильный data science
- 3+ лет в ML, из них не меньше года лет с LLM/VLM в проде
- английский для чтения статей и документации
- Fine-tuning: SFT, LoRA/QLoRA, RL (DPO, GRPO)
- современные движки инференса: vLLM, sgLang, triton
- опыт работы с VLM: понимание принципов работы, дообучения, основных ограничений
- агентные пайплайны: вызовы моделей, обработка исключений, ограничение стоимости
- опыт в разметке датасетов асессорами, или автоматическими инструментами
- Python: пишете код, который уходит в прод. Тесты, ревью, код-стайл
- специфика банка: много контрагетов, с ними нужно иногда коммуницировать
**Будет плюсом**
- опыт python-бэкендера: FastAPI, асинхронность, очереди, PostgreSQL, векторные хранилища
- работа с разметчиками и контрагентами
- публикации, доклады, open source.
Условия
- комфортный современный офис - м. Кутузовская
- гибридный формат работы
- ежегодный пересмотр зарплаты, годовой бонус
- 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
- гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
- подписка Прайм с возможностью совместного использования на трёх близких
- вознаграждение за рекомендацию друзей в команду Сбера
- корпоративная пенсионная программа.
