Описание
Центр робототехники Сбера обучает модели, которые управляют роботами в сложных реальных условиях. Команда анализирует качество данных и проверяет через обучение моделей, как состав датасета влияет на результат.
Задачи
•Строить автоматические и полуавтоматические пайплайны проверки качества данных, чтобы находить технические и смысловые дефекты до попадания данных в обучение
•Запускать или сопровождать обучение и дообучение моделей на разных версиях датасетов, чтобы измерять влияние качества, состава и фильтрации данных на метрики модели
•Разрабатывать метрики качества данных и использовать их как диагностический сигнал до подтверждения связи с успешностью модели на роботе и в тестовых сценариях
•Формировать фильтры, уровни качества и стратегии выборки по качеству, разнообразию, задачам, объектам, окружениям, роботам, источникам и типам ошибок
•Проводить сравнительные эксперименты с составом данных, чтобы проверять, какие данные помогают модели, а какие можно исключить или отправить на доработку
•Анализировать ошибки модели и переводить их в конкретные запросы на данные: что дособирать, что переразметить, что удалить, что добавить в выборку
•Готовить теги задач, объектов, окружений и ошибок, эталонные наборы примеров, правила контроля качества разметки и критерии приемки
•Исследовать, как изменения камер, конфигурации робота, калибровок или других сенсоров влияют на качество данных и результат модели
•Готовить краткие технические отчёты с гипотезами, данными, метриками, ограничениями, выводами и рекомендуемыми изменениями для релиза датасета или плана сбора данных
Требования
•От 3 лет опыта в анализе данных, инженерии данных, ML-инженерии, прикладном ML или близкой области
•Уверенное владение Python, pandas/polars, numpy, визуализацией, ноутбуками и пакетной обработкой данных
•Знание SQL и опыт работы с большими датасетами, манифестами, метаданными, дашбордами или аналитическими пайплайнами
•Понимание экспериментального дизайна, абляций, контрольных групп, статистической надёжности и интерпретации метрик
•Базовое понимание цикла обучения и оценки ML-моделей, а также связи состава данных с метриками модели
•Умение анализировать мультимодальные данные: видео, временные ряды, действия, метаданные задач и метки
•Умение переводить наблюдения из данных и ошибок модели в практические рекомендации
•Хорошая письменная коммуникация для отчётов, журналов решений и постановки задач смежным командам
Будет плюсом: опыт с robot learning, VLA, imitation learning, RL, CV/VLM datasets и embodied AI, W&B, MLflow, Hydra, отслеживанием экспериментов и происхождением датасетов, annotation QA, active learning, data curation, anomaly detection и quality scoring, понимание domain shift, camera shift, embodiment gap, task transfer и data-centric AI, навыки работы с генеративными AI-моделями, опыт создания и использования AI-агентов, опыт использования GigaChat, Kandinsky и аналогов в продуктах, инструментальное владение AI для анализа, генерации и автоматизации.
Условия
•Офисный формат работы, адрес офиса Автозаводская 23а к2
•Ежегодный пересмотр зарплаты
•Квартальная и годовая премия
•Корпоративный спортзал и зоны отдыха
•Более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
•Программа адаптации и помощь руководителя на старте
•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
