Middle/Senior Vision ML Engineer

Описание

Наша CV команда создает лучший в Сбере продукт для автоматического распознавания документов, используя самые передовые технологии. Главными задачами для нас являются разработка и улучшение OCR-модели на базе VLM, сбор обучающих данных с использованием кастомного agentic harness, и развёртывание клиентского сервиса внутри банка. Мы ищем Middle/Senior инженера, который будет заниматься полным циклом обучения и деплоя продукта. Обязанности изучать SOTA подходы к OCR: чтение свежих пейперов в сфере e2e OCR, адаптация подходов data mining, SFT/RL, гипотезы ставить эксперименты по обучению VLM-моделей: проверка гипотез на multi-node сетапе, замер метрик на внешних и внутренних бенчмарках. дорабатывать пайплайн обучения: улучшение репозитория на текущем стеке (accelerate, TRL) - ускорение обучения, добавление аугментаций, адаптация под новые модели собирать обучающие данных: агрегация существующих и новых данных в требуемом формате MarkDown, поиск новых доменов, написание скриптов по загрузке размечать датасеты: запуск процесса разметки для вновь собранных или существующих данных при помощи кастомного agentic harness сборщика разметки (а также его улучшение), или внутренней платформы разметки асессорами адаптировать сервис: интеграция обученных моделей в сервис на основе vLLM для сёрвинга клиентам внутри банка. Требования высшее образование: математика, информатика или профильный data science 3+ лет в ML, из них не меньше года лет с LLM/VLM в проде английский для чтения статей и документации Fine-tuning: SFT, LoRA/QLoRA, RL (DPO, GRPO) современные движки инференса: vLLM, sgLang, triton опыт работы с VLM: понимание принципов работы, дообучения, основных ограничений агентные пайплайны: вызовы моделей, обработка исключений, ограничение стоимости опыт в разметке датасетов асессорами, или автоматическими инструментами Python: пишете код, который уходит в прод. Тесты, ревью, код-стайл специфика банка: много контрагетов, с ними нужно иногда коммуницировать **Будет плюсом** опыт python-бэкендера: FastAPI, асинхронность, очереди, PostgreSQL, векторные хранилища работа с разметчиками и контрагентами публикации, доклады, open source. Условия комфортный современный офис - м. Кутузовская гибридный формат работы ежегодный пересмотр зарплаты, годовой бонус 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 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 корпоративная пенсионная программа.