Senior Data Engineer (агентные данные и бенчмарки)

Мы помогаем делать агентные модели GigaCode и GigaChat лучше — они не просто отвечают текстом, а сами ходят в инструменты, пишут код, работают с базами данных и офисными сценариями. Агент решает задачу, пайплайн сохраняет траекторию, сам проверяет результат и сам отсеивает мусор. Твоя работа — спроектировать этот пайплайн так, чтобы он честно обмерял модель и давал данные для улучшения следующего поколения агентного ИИ. Это передний край развития ИИ: без таких пайплайнов агентные модели не на чем учить и нечем проверять. ━━━━━━━━━━━━━━━━━━━━ 🚀 Почему это интересно Ты будешь проектировать, как агенты проверяются и в чем работают, чтобы из их решений начало прорастать улучшение качества следующих поколений моделей. Задачи нетривиальные: среда должна быть честной, проверка — автоматической, запуск — на большом масштабе. Прямой вклад в развитие агентного ИИ.

• Проектировать пайплайны синтетических агентных данных: модель придумывает задачу → агент её решает → проверка → фильтр → датасет • Придумывать задачи и бенчмарки для разных доменов: код, SQL, офис, инфобез и новые области • Делать генерацию задач из открытых данных и автоматическую проверку (ораклы, тесты, LLM-судья — где это уместно) • Разбираться в агентном цикле: инструменты, окружение, формат траекторий, что считать успешным завершением работы • Масштабировать запуски: тысячи изолированных сред, очередь экспериментов, стабильный инференс LLM • Строить контроль качества: валидная ли траектория, нет ли утечки ответа, не спутали ли сбой инфраструктуры с провалом агента По сути это проектирование сред, в которых модель учится действовать как в реальной жизни у пользователей. ━━━━━━━━━━━━━━━━━━━━ 🛠 Стек Python · Docker / Kubernetes · агенты и среды запуска · инференс LLM · агентные бенчмарки · пайплайны синтетики

• Уверенный Python: данные, API, скрипты оркестрации • Опыт ML-пайплайнов и датасетов именно в NLP: генерация, фильтрация, форматы диалогов и траекторий • Docker и Kubernetes на практике: образы, джобы, разбор падений в кластере • Понимание, как устроены агенты: цикл «размышления → инструмент → результат», изолированная среда, проверка результата • Базовое понимание инференса LLM: chat/completions, чат шаблоны, парсеры тулов, как агент ходит в модель • Форматы сохранения агентных траекторий и умение с ними работать ━━━━━━━━━━━━━━━━━━━━ 🌟 Будет плюсом знание про: • Агентные бенчмарки (SWE-bench, Terminal-Bench, SQL/BIRD, CyberGym и похожие): как устроены задачи, ораклы, оценка • Генерация синтетики через LLM и оценка качества без ручной разметки • Устройство агентных фреймворков: инструменты, память, сжатие контекста, субагенты, траектории • Офисные и инфобезовские агентные задачи

• комфортный современный офис - м. Кутузовская

• 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.