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]