Middle Graph ML & Knowledge Graphs (SberAI)

Описание

Наша команда занимается исследованиями и разработкой современных AI-систем, в которых графовые представления используются для решения задач машинного обучения, работы со знаниями и улучшения больших языковых моделей. Мы работаем с Graph Neural Networks, Knowledge Graphs, GraphRAG, графовыми представлениями и гибридными подходами на стыке Graph ML и Generative AI. Исследуем современные методы, воспроизводим результаты статей и превращаем перспективные идеи в работающие прототипы и production-решения. Ищем Middle специалиста, которому интересно развиваться на стыке машинного обучения, графов и современных AI-систем. Обязанности решать задачи машинного обучения на графовых данных: классификация вершин и рёбер, link prediction, graph classification, anomaly detection и другие разрабатывать и обучать Graph Neural Networks: GCN, GAT, GraphSAGE и более современные архитектуры работать с Knowledge Graphs: построение, обогащение, очистка, связывание и использование графов знаний в ML-задачах исследовать методы представления графов и графов знаний: node/graph embeddings, Knowledge Graph Embeddings, GNN-based representations разрабатывать GraphRAG и гибридные retrieval-системы, объединяющие графовый поиск, семантический поиск и LLM исследовать способы интеграции структурированных знаний и графовых представлений в современные языковые модели решать задачи извлечения сущностей и отношений из неструктурированных данных, entity/relation extraction и entity linking работать с построением и развитием онтологий, схем и структур представления знаний проводить эксперименты, сравнивать подходы, строить baseline и проводить ablation study работать с графовыми и ML-бенчмарками, выбирать корректные метрики и анализировать результаты. Требования понимание базовой теории графов и основных типов графовых задач понимание принципов работы Graph Neural Networks и message passing уверенное владение Python практический опыт работы с PyTorch знакомство с PyTorch Geometric, DGL или аналогичными библиотеками опыт работы с данными: NumPy, Pandas/Polars, scikit-learn понимание embeddings, similarity search и основных принципов retrieval продвинутое понимание современных LLM и Transformer-архитектур умение корректно ставить ML-эксперименты, выбирать метрики и интерпретировать результаты. Условия комфортный современный офис рядом с м. Кутузовская гибридный формат формат работы 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.