LLM Data Scientist — оценка качества GigaChat (модельные риски генеративных моделей)

Описание

Наша команда отвечает за оценку модельного риска и независимый контроль генеративных моделей Банка. В нашей зоне ответственности GigaChat — текстовые и мультимодальные LLM — и open-source модели: команда первой видит, на что способна новая версия, прежде чем она выйдет к пользователям. Нам нужен специалист, который возьмет на себя измерение качества GigaChat: разработку бенчмарков и измерение на них качества модели — на собственных данных, а не по публичным лидербордам развитие собственной библиотеки валидации LLM полного цикла: от сбора данных и разметки до финальных метрик и отчетов вынесение заключения по модельному риску: при каких условиях версию можно выпускать и что осталось непроверенным. Эта роль про независимое измерение фундаментального качества модели: не про обучение GigaChat — этим занимается отдельная команда — и не про продуктовые метрики вроде DAU и retention. Обязанности Развивать собственный фреймворк оценки LLM писать чистый код фреймворка и проверять чужой: регулярные код-ревью, PR, поддержка растущей кодовой базы настраивать автоматизацию и CI под растущую аудиторию и вести регулярную валидацию версий GigaChat и open-source альтернатив по единой методике — фреймворком пользуются команды по всему Банку. Разрабатывать бенчмарки и проектировать проверку разрабатывать и актуализировать собственные бенчмарки под ключевые сценарии Банка: подбор задач, редкие и намеренно трудные случаи, эталонные ответы превращать запрос «модель стала лучше?» в план проверки: что измеряем, на какой выборке, с чем сравниваем. Строить LLM-судей и автоматические метрики делать судей под задачу, знать их перекосы (self-preference, position bias, length bias) и калибровать оценки против человеческих понимать, где автоматическая оценка не годится и нужен другой подход, и снижать стоимость измерений без потери достоверности. Давать заключение по модельному риску оценивать автономность модели в сценарии и цену ее ошибки: что она делает без человека, что необратимого может произойти, какой худший реалистичный исход формулировать условия выпуска — доля трафика, ограничения по сценариям, митигации, мониторинг — с явным перечнем непроверенного и защищать выводы перед командой разработки и руководством. Следить за фронтиром следить за новыми подходами в научном сообществе, читать статьи, писать собственные, внедрять лучшие практики оценки в процессы Банка когда нужного инструмента не существует — создавать его самостоятельно. Стек: Python, pandas, NumPy, PyTorch, HuggingFace (transformers, datasets), vLLM, SGLang, инференс-API, S3, Git, Docker, CI/CD, Linux, Bash. Требования Python на продакшн-уровне: чистый код по PEP 8, ООП и типовые паттерны проектирования, аннотации типов, привычка к линтерам и статическому анализу (ruff, mypy). Создаете и поддерживаете production-код eval-пайплайнов, читаете и ревьюите чужой статистика и дизайн эксперимента: доверительные интервалы, оценка необходимого размера выборки, проверка гипотез, поправки на множественные сравнения, разница между статистической и практической значимостью понимаете, как устроены LLM изнутри: как работает трансформер и механизм внимания, почему текст разбивается на токены и к чему это приводит, как параметры генерации влияют на ответ, чем отличаются этапы обучения — предобучение, дообучение на инструкциях и обучение на человеческих предпочтениях опыт работы с LLM и понимание, как оценивают генеративные модели: метрики, human evaluation, LLM-as-a-judge и его ограничения привычка выяснять цену ошибки до начала работы — не бросаться считать метрики, не поняв, что именно проверяете Готовность работать без готовой методологии, проактивность, умение декомпозировать большие задачи на решаемые. Будет плюсом: опыт с open-source моделями и инференсом: vLLM, SGLang, inference API, prompt engineering опыт работы с мультимодальными моделями: изображения, аудио опыт построения evaluation-фреймворков и evaluation harness, встраивание оценок в CI/CD работа с асессорами: постановка задачи разметчикам, контроль согласованности разметки работа с coding-агентами (Claude Code, Codex, Cursor и аналоги) представление о том, как удешевляют инференс: квантизация, дистилляция, PEFT/LoRA, спекулятивное декодирование опыт с RAG: умеете оценивать поиск и генерацию по отдельности, понимаете, почему модель выдумывает факты и как на это влияют разбиение документов на фрагменты и их ранжирование; работали с векторным поиском и эмбеддингами. Условия комфортный современный офис рядом с м. Кутузовская возможность выбрать удобный график — офис / гибрид ежегодный пересмотр зарплаты и годовая премия по итогам работы 2–4 оклада программа адаптации и помощь руководителя на старте более 400 образовательных программ СберУниверситета для профессионального и карьерного развития корпоративный спортзал и зоны отдыха 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 трех близких скидки на продукты компаний-партнеров вознаграждение за рекомендацию друзей в команду Сбера.