ML Engineer в центр робототехники

Описание

В Центре робототехники Сбера мы обучаем модели, которые должны управлять роботами в сложных реальных условиях. Для этого мало просто собрать большое количество данных: нужно понимать, какие записи полезны, где в них ошибки и каких примеров модели не хватает. Сейчас нам нужен Data Analyst / Data Engineer в Data Conveyor Team, который будет находить проблемы в данных, оценивать их качество и проверять через обучение моделей, как состав датасета влияет на результат. Это роль на стыке анализа данных, инженерии данных и практических ML-экспериментов: нужно не только строить проверки качества, но и запускать обучение или дообучение моделей на разных версиях данных, сравнивать метрики и превращать выводы в конкретные решения по сбору, разметке, фильтрации и выборке.

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. Будет плюсом: \- Опыт с robot learning, VLA, imitation learning, RL, CV/VLM datasets или embodied AI. \- Опыт с W&B, MLflow, Hydra, experiment tracking, dataset lineage. \- Опыт с annotation QA, active learning, data curation, anomaly detection или quality scoring. \- Понимание domain shift, camera shift, embodiment gap, task transfer и data-centric AI.

Условия

* Дружный и высококвалифицированный коллектив * Уникальные масштабные проекты, работа в приоритетном направлении * Достойная заработная плата (оклад + годовая премия) * Современные рабочие места и программное обеспечение * ДМС, корпоративная пенсионная программа, страхование от несчастных случаев, социальные гарантии, корпоративные мероприятия * Высокий уровень корпоративной культуры * Работа в офисе (г. Москва, метро Автозаводская)