NLP Engineer — GigaChat Pretrain Сбер БанкОпубликовано 05.11.2026

204K ₽–253K ₽/мес

Опубликовано 05.11.2026

оценка на руки

Middle AI/Big Data NLP Data Engineering Python MapReduce Generative AI AI Agents GigaChat

204K ₽–253K ₽/мес

оценка на руки

Что за роль

Работа связана с предобучением GigaChat. В описании указаны NLP, инженерия данных и Python.

Требования

В исходном объявлении требования к опыту и квалификации не перечислены.

Что мы предлагаем

Гибридный формат работы.

Кто здесь добьётся успеха

→

Уверенно применяет Python и методы обработки естественного языка к задачам предобучения больших языковых моделей, умеет превращать исследовательскую идею в воспроизводимый инженерный процесс.

→

Способен проектировать конвейеры подготовки и обработки масштабных текстовых данных, используя MapReduce и принципы инженерии данных для обучения GigaChat.

→

Как специалист среднего уровня, самостоятельно разбирает неоднозначные задачи, проверяет качество и пригодность данных и оценивает влияние изменений на ход предобучения, не опираясь на неуказанные в вакансии требования к стажу.

→

Комфортно сочетает самостоятельную работу в гибридном формате с согласованием технических решений в команде Сбера; интересуется развитием генеративного ИИ, включая GigaChat, AI-агентов и Kandinsky.

Ресурсы для обучения

→Сетевой инженер (уровень CCNA +)Курс

Карьерный путь

Инженер по обработке естественного языка — предобучение GigaChat (Сейчас)→Старший инженер по предобучению больших языковых моделей (Через 1–2 года)→Ведущий инженер или технический руководитель направления предобучения генеративных моделей (Через 3–5 лет)

Обзор рынка

Объём рынка NLP, 2026

$53B

Годовой рост рынка NLP

30%

Внедрение генеративного ИИ в компаниях

65%

Инвестиции в генеративный ИИ, 2024

$33.9B

Навыки и требования

Обязательные

NLPData EngineeringPython

Растущий спрос

Распределённое обучение и обработка корпусов: Apache Spark, Ray, GPU-кластерыОценка и безопасность LLM: бенчмарки, red teaming, фильтрация данных и alignmentRAG и агентные системы: вызов инструментов, оркестрация и работа с базами векторов

Снижающийся спрос

Ручная разработка NLP-пайплайнов на основе правил и регулярных выраженийWord2Vec и GloVe как самостоятельные решения вместо контекстных трансформерных эмбеддингов

Тренды отрасли

Предобучение смещается к качеству данных и эффективности вычислений

Для команд, обучающих базовые модели уровня GigaChat, важны дедупликация, оценка качества корпусов, фильтрация персональных данных и распределённая обработка. Практический ориентир для кандидата — уметь строить воспроизводимые пайплайны на Python и MapReduce/Spark и измерять влияние фильтров на качество модели, а не только объём обработанных данных.

Генеративный ИИ становится частью корпоративных продуктов

По данным McKinsey, в 2024 году 65% опрошенных организаций регулярно использовали генеративный ИИ хотя бы в одной бизнес-функции — примерно вдвое больше, чем годом ранее. Для NLP-инженеров это усиливает ценность навыков оценки качества ответов, работы с агентами и интеграции моделей в прикладные системы.