ML Engineer в центр робототехники
Заработная плата по договоренности
Обязанности:
• 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 тех пор, пока не доказана связь 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 действительно 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, калибровки или других сенсоров влияют на качество данных и результат модели
• готовить краткие технические отчеты: гипотеза, данные, метрики, ограничения, выводы, рекомендуемые изменения для релиза датасета или плана сбора данных.
Требования:
• 3+ года опыта в data analysis, data engineering, ML engineering, applied ML или близкой области
• уверенный Python: pandas/polars, numpy, visualization, notebooks, batch data processing
• SQL и опыт работы с большими датасетами, manifests, metadata, dashboards или analytics pipelines
• понимание экспериментального дизайна: ablations, контрольные группы, statistical reliability, интерпретация метрик
• базовое понимание ML training / eval loop и связи состава данных с метриками модели
• умение анализировать мультимодальные данные: видео, временные ряды, actions, task metadata, labels
• способность переводить наблюдения из данных и ошибок модели в actionable recommendations
• хорошая письменная коммуникация для отчетов, журналов решений и постановки задач смежным командам.
Мы предлагаем:
• 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.
Контакты:
[email protected]