Аналитик-разработчик по оценке качества LLM в Яндекс R&D

Location: Москва Workplace: Офис Наша команда развивает качество Alice AI — ключевой LLM-технологии компании. Мы измеряем, как модель отвечает на реальные пользовательские запросы. Ищем аналитика-разработчика по оценке качества, который возьмёт на себя контур замеров: запуск приёмок, контроль прохождения разметки и анализ результатов. Alice AI — один из самых популярных ассистентов в России, которым ежедневно пользуются миллионы людей. Наша команда развивает качество ключевой LLM-технологии компании: мы измеряем, как модели отвечают на реальные пользовательские запросы, и на основании этих замеров команда принимает решение о релизе. Приёмка — момент, когда решается судьба выкатки. Перед каждым релизом нужно понять, как изменилось качество модели: на каких сценариях она выросла, где просела и достаточно ли этого качества для пользователей. Мы измеряем модель по нескольким независимым аспектам силами профессиональных разметчиков, доменных экспертов и автоматических оценщиков, а затем собираем из этих сигналов одно заключение. Заключение приёмки — основание, по которому модель уезжает в прод или не уезжает; решение принимается вместе с ML-разработчиками и продуктовой командой. Мы расширяем команду. Ищем аналитика, который возьмёт на себя контур замеров: запуск приёмок, контроль прохождения разметки и анализ результатов. Вы увидите изнутри всю кухню оценки качества LLM — от состава оценочных наборов до критериев, по которым релиз останавливают. Процесс активно автоматизируется: рутина будет уходить, а ваша роль — расти в сторону анализа и методологии. Вы будете работать бок о бок с ML-инженерами качества, доменными экспертами и командой краудсорса. Обязанности Организация приёмок новых версий моделей В ваши обязанности войдёт подготовка оценочных наборов, постановка задач по всем аспектам качества, настройка и запуск пайплайнов оценки. Приёмки проходят несколько раз в неделю, они идут параллельно и зависят от дат релизов, поэтому очень важно их все контролировать. Контроль разметки Замер действует неделю и проходит через несколько команд и пулов. Вам предстоит следить за его статусом, выявлять и устранять сбои, а также отслеживать недоставленные или потерянные данные. Нужно будет разбираться в причинах и доводить модель до работающего результата вместе с командой краудсорса и соседними командами. Это та часть работы, где аккуратность и въедливость дают больше всего. Сбор и анализ результатов Вы будете сводить результаты всех аспектов в одну картину: считать значимость, отличать настоящее изменение от шума, объяснять расхождения между аспектами и между людьми и автоматическими оценщиками. По каждому релизу должно быть заключение с разбором сценариев и конкретными примерами; раз в неделю — сводка по всем замерам для ML-команд и продукта. Развитие процесса Параллельно мы автоматизируем приёмку и строим под неё инструменты. Вы будете главным заказчиком и первым пользователем этой автоматизации: приносить требования, обкатывать новое и забирать себе те задачи, которые она освобождает. Больше об аналитике в Яндексе — в канале Yandex for Analytics Требования * Уверенно работаете с Python и SQL * Знаете математическую статистику и теорию вероятностей * Доводите до конца многошаговые процессы с внешними зависимостями: чужие пайплайны, пулы разметки, сроки соседних команд * Умеете формулировать обоснованное заключение по данным и защищать его перед заказчиками * Самостоятельны и готовы браться за новые задачи, для которых нет готового решения * Интересуетесь развитием LLM и хотите глубоко погрузиться в тему Будет плюсом * Проводили оценку качества LLM с использованием голден-сетов, LLM-as-a-Judge и контроля разметки * Работали на стыке офлайн-оценки и онлайн-экспериментов * Занимались оценкой агентских сценариев и мультимодальных моделей * Применяли NLP, краудсорсинговые разметки и ML