Data Engineer for VLM Training Data (GigaChat Vision)

Навыки

• Атрибуция
• Самостоятельность
• Дашборды и витрины
• Анализ данных
• Data Quality
• Дисциплина
• Docker

О компании и продукте

• 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.

Задачи

• 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
• СберПрайм+, скидки на продукты компаний-партнеров вознаграждение за рекомендацию друзей в команду Сбера

Условия

• 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

Паспорт вакансии

История публикации

Откуда что взялось

Отмечено то, что вывели мы. Без пометки — значение назвал работодатель.

Почему на этом месте в выдаче

Порядок выдачи объявлен контрактом: свежесть решает между днями, полнота и зарплата — внутри дня.