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.