Стажер Специалист по исследованию данных (Data Science) [RecSys платформа, Big Data, МТС Веб Сервисы]

Мы ищем аналитика в RnD-команду. Область RnD часто связана с трудными задачами, которые нельзя решить быстро по готовой инструкции или чек-листу. Такие задачи часто требуют креативности и систематизации большого количества новой информации, поэтому результат их выполнения особенно ценен для научного и технического сообщества.

Задачи:

• Проведение исследований по форматам НИОКР, RnD
• Разработка аналитических методик в целях дальнейшей программной реализации
• Генерация гипотез в ходе исследования, их проверка и интерпретация результатов
• Проработка подходов по анализу и структуризации неструктурированных гетерогенных данных
• Активное взаимодействия с участниками команды, участие в корпоративных мероприятиях, поддержание дружеской продуктивной атмосферы

Ожидаем от тебя:

• Аналитический склад ума, системное мышление, способность интерпретировать и обобщать полученный результат
• Высшее или неоконченное высшее техническое или физико-математическое образование
• Навыки работы с Python, позволяющие оперативно находить и тестировать в контексте задачи как готовые библиотеки, так и отдельные проекты
• Опыт работы с моделями и алгоритмами машинного обучения; знание классических задач и моделей машинного обучения, понимание принципов оценивания их качества и требований к реализации
• Интерес к исследованию новых областей и горизонтальному развитию экспертности в области технологий
• Стойкие мягкие навыки: организованность, структурность, коммуникативность и ответственность
• Готовность работать как в командном, так и в самостоятельном режимах

Будет плюсом:

• Опыт инициативной разработки, моделирования процессов, построения математических или формальных моделей
• Опыт работы с LLM, VLM
• Опыт работы с моделями представления знаний (в том числе, опыт построения онтологий)
• Понимание основ веб-технологий, сетевых технологий
• Опыт научно-исследовательской деятельности, подготовки и публикации научных статей
• Опыт в моделировании угроз / рисков в любой области (информационная безопасность, экономика, бизнес-аналитика и т.д.)
• Знание математической статистики, теории вероятностей, методов Data Mining

С нами у тебя будет:

• Исследования современных подходов в области анализа больших данных и веб-технологий
• Возможность выдвигать и продвигать новые идеи
• Гибкое начало рабочего дня, возможность совмещать работу с учебой
• Работа в молодой open-minded команде
• Красивый комфортабельный офис рядом с метро (чай/кофе, места для отдыха, теннисный стол и многое другое)

GigaChat увидит мир через данные, которые соберёте вы.

За GigaChat стоит одна из крупнейших ML-команд в России, которая обучает LLM и VLM полным циклом — от претрейна до релиза. Наша команда отвечает за то, с чего начинается любая сильная модель, — за данные: мы собираем визуальный корпус претрейна — ищем источники, фильтруем и дедуплицируем сырьё, ставим эксперименты и меряем влияние на бенчмарки. Именно состав и качество претрейн-данных определяют, каким получится финальный результат, и у вас будет возможность влиять на него напрямую.

Обязанности

• ставить эксперименты: формулировать гипотезы, какие данные и в каких пропорциях улучшат модель, и проверять их: продумывать сетап и бейзлайны, запускать обучающие прогоны, по замерам решать, что попадёт в финальную смесь
• автоматизировать подготовку данных: выстраивать очистку, дедупликацию и валидацию так, чтобы любой новый датасет без ручной доводки приходил в готовый к обучению вид
• добывать редкие и дефицитные домены: обучать классификаторы и кластеризаторы, которые вылавливают ценные сэмплы из сырых данных, и нарезать корпус на чистые датасеты по таксономиям
• собирать данные разных форматов: генерация VQA, синтетические задачи, interleaved-данные — каждый формат устроен по-своему и требует своего подхода
• обрабатывать миллиарды изображений: писать распределённый код, который прогоняет пайплайны на всём корпусе быстро и стабильно
• находить слабые места в данных: разбираться, где модель проседает из-за корпуса — чего не хватает, что зашумлено или разбалансировано, — и исправлять это
• развивать контур оценки: подключать свежие бенчмарки, следить за чистотой методики и не пускать тестовые данные в обучающий корпус

Требования

Кто нам подходит:

Человек, который сможет провести данные от поиска источников до состава финальной смеси. Главное — умение ставить эксперименты и делать из них честные выводы. Опыт именно с VLM или LLM не обязателен: специфика осваивается быстрее, чем культура эксперимента

Что мы хотели бы видеть:

• хорошая база ML, твёрдое знание CV и NLP
• понимание, как данные влияют на качество модели, и привычка при странностях в метриках первым делом смотреть в данные
• уверенный Python и опыт обучения моделей на PyTorch
• умение спланировать эксперимент и довести его до вывода, которому можно верить
• самостоятельность и проактивность: берёте тему, разбираетесь, доводите до результата

Плюсом будут:

• опыт построения дата-пайплайнов и процессов контроля качества данных
• опыт с распределённой обработкой (Spark, Dask, Airflow, YTsaurus)
• опыт проведения ML-экспериментов на больших объёмах
• публикации на профильных конференциях.

Мы открыты к кандидатам разного уровня, и попадать во все пункты не обязательно. Если задачи откликаются — напишите нам, остальное обсудим.

Условия

Что мы предлагаем:

• опыт претрейна из первых рук. Команд, обучающих VLM полным циклом, в стране единицы — вы пройдёте весь путь от сырых данных до готовой модели
• вычислительные ресурсы под ваши эксперименты. Один из самых больших GPU-кластеров в России: проверка гипотезы о данных стоит обучающего прогона, и на такие прогоны вычислений у нас хватает
• инфраструктура, которая уже работает. S3, YTsaurus, Airflow, DataLens, GitLab CI, wandb — всё для данных и экспериментов на месте, время уходит на исследования, а не на обвязку
• задачи, на которые ещё нет ответа. Как собрать лучшие визуальные данные для претрейна, пока не знает почти никто в мире — разбираться предстоит в том числе вам
• короткий путь от гипотезы до модели. Данные, которые вы отберёте, и гипотезы, которые подтвердятся, уходят в обучение следующей модели — а ей пользуются миллионы людей
• комфортный современный офис рядом с м. Кутузовская
• возможность выбрать удобный график – офис/гибрид/удаленка (в РФ)
• 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 для сотрудников по дисконтной прогамме
• бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров
• вознаграждение за рекомендацию друзей в команду Сбера.