Задачи:
— Эксперименты с претрейн-моделями: ставить и анализировать вычислительно тяжёлые эксперименты с претрейн-стадией, проверять гипотезы об источниках прироста ризонинг-способностей внутри различных срезов умности, постановка и выбор сетапа эксперимента — творческий этап.
— Пайплайны данных: строить эффективные пайплайны сбора обучающих данных, их синтеза, обработки и фильтрации в новых доменах, масштабировать пайплайны, делать их более эффективными.
— Изменение обучения: модифицировать обучение модели для улучшения ризонинга, внедрять изменения в обучающий пайплайн и оценивать их влияние на качество.
— Экспертные модели: обучать модели-верификаторы для проверки качества данных и ответов; модели для генерации обучающих данных — SOTA в своём узком домене; модели-фильтры для отсева некачественных данных.
— Исследование скейлинга: исследовать законы скейлинга качества модели с точки зрения данных и вычислений, определять, как масштабирование влияет на рост рассуждающих способностей.
Требования:
— Глубокое понимание NLP.
— Знание Python и опыт разработки на нём.
Условия:
— В крупных офисах есть спортзалы с тренажёрами, инвентарём и душевыми.
— Полный список бонусов доступен по ссылке https://yandex.ru/jobs/pages/benefits.
Зарплаты и спрос: ML-инженер
Сейчас в каталоге 919 вакансий по этому направлению, удалённо можно работать в 34%.
Зарплата здесь не указана. Медиана по направлению: 251 000 $ в год. У половины вакансий от 217 000 $ до 313 000 $ (вакансий с вилкой: 50).
Навыки этой вакансии, которые чаще всего просят по направлению: Python (30%). В скобках доля вакансий направления.
Автоотклики