- Страна
- Россия
- Зарплата
- 300 000 ₽ – 450 000 ₽
Откликайтесь
на вакансии с ИИ
Middle/Senior NLP/PLP Researcher (GigaCode R&D)
Оценка ИИОтличная вакансия в топовой R&D команде с работой над передовыми продуктами (GigaCode). Высокая рыночная зарплата и возможность заниматься реальной наукой в индустрии.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубоким теоретическим знаниям DL, опыту распределенного обучения больших моделей и научно-исследовательскому подходу к экспериментам.
Анализ зарплаты
Оценка ИИУказанный в описании диапазон 300-450к полностью соответствует текущим рыночным реалиям для Middle+/Senior ML-исследователей в Москве. Сбер предлагает конкурентные условия, находясь в верхнем сегменте рынка.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Сбер уже сейчас
Присоединяйтесь к команде R&D Сбера и создавайте будущее NLP-технологий в проекте GigaCode!
Описание вакансии
Middle/Senior NLP/PLP Researcher (GigaCode R&D) в Сбер
*💰*По итогам собеседования (ср. рын. зп 300 000 ₽ – 450 000 ₽)
*📌*Условия и бонусы:
Фултайм, гибрид (МСК).
*📌*Наши ожидания:
– хорошие теоретические знания в DL, с упором в современный NLP и трансформеры;
– умение формулировать эксперименты с научной строгостью, обосновывать их, проводить самостоятельно и делать выводы;
– опыт обучения трансформеров;
– опыт распределенного обучения моделей (deepspeed, fsdp, torch.distributed, accelerate);
– знание стандартных библиотек для DL и NLP (PyTorch и библиотеки Huggingface);
– увлеченность NLP/PLP и DL;
– опыт менторинга стажеров и младших коллег.
*✍🏼*Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- PyTorch
- Deep Learning
- Transformers
- NLP
- Hugging Face
- FSDP
- Distributed Training
- DeepSpeed
Возможные вопросы на собеседовании
Проверка практического опыта работы с инфраструктурой для обучения больших моделей.
Расскажите о вашем опыте использования DeepSpeed или FSDP: с какими основными трудностями вы сталкивались при настройке распределенного обучения?
Оценка понимания архитектурных особенностей современных моделей.
В чем заключаются ключевые отличия и преимущества различных механизмов внимания (например, Flash Attention, Multi-Query Attention) в контексте PLP задач?
Проверка исследовательских навыков и научной строгости.
Как вы подходите к дизайну эксперимента при проверке новой гипотезы в NLP? Какие метрики и контрольные группы вы используете для обоснования выводов?
Специфика работы с кодом (Programming Language Processing).
Какие особенности данных и токенизации необходимо учитывать при обучении моделей именно для генерации и анализа программного кода (PLP) по сравнению с обычным текстом?
Оценка навыков наставничества.
