Data Engineer for VLM Training Data (GigaChat Vision)

Сбер·Москва·6 июля

Data Engineer for VLM Training Data (GigaChat Vision)

Ориентир по рынку≈ 140 000 – 300 000 ₽наш грубый ориентир по 190 вакансиям этого грейда на рынке, без учёта специальности: у работодателя вилка не указана

🏢 ОфисMiddleПолная занятостьКорпорация

≈ 140 000 – 300 000 ₽наша приблизительная оценка

Стоит ли откликаться

Стоит откликнуться, но спросите про деньги

Сумму в объявлении не указали. Сколько платят за похожую работу, видно в разборе. Правда, вакансия открыта уже давно.

2 из 4 в норме

Открыта долго: как понять до отклика, ищут ли ещё

Деньги

Зарплату в объявлении не раскрыли. Грубый ориентир: столько платят в 190 вакансиях уровня Middle по всему рынку, без учёта специальности.

платят меньше140 000 – 300 000 ₽ у половины таких вакансийплатят больше

Кроме оклада: премия и пересмотр зарплаты. Размер не назван, а от него зависит доход за год.

Вилки нет

Живость

Висит 105 дней. Источник её не снимает, но так долго открытые позиции бывают трудными для найма или набором в резерв.

Зарплата не указана

Открыта давно

Описание

Расписано подробно: обязанностей 10, требований 18. Картина ясна до первого созвона.

Обещают: ДМС и компенсация спорта

Подробно

Что требуют

ОбязательноPythonGitDockerPostgreSQLML

Надбавка к зарплате на этом уровне: Python +40%, Git +8%.

Ясно

Полный разбор в Pro

Это короткий разбор. В Pro полный: под эту вакансию и ваше резюме

Сколько просить

Не продешевите: сумма под ваше резюме, нижняя граница и готовые фразы для торга

Ваше резюме против требований

Пройдёт ли ваше резюме фильтр: что совпало с требованиями и что дописать до отклика

Спросить у работодателя

Что стоит спросить: вопросы именно к этой вакансии для первого созвона

Когда откликаться

Стоит ли спешить: за сколько дней эта компания обычно закрывает вакансии

30 дней Pro: полный разбор каждой вакансииЧто ещё входит в Pro

Чем предстоит заниматься

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

1. импорт данных из различных источников: production, Common Crawl, open-source datasets, generated data

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

Наши 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

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

Мы предлагаем

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

Дополнительно

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