AI Data Operations Lead/Руководитель направления подготовки данных для AI

Bitmanager.ai - AI-стартап в одной из самых быстрорастущих категорий conversational AI agents.

Мы создаёт платформу для голосовых и текстовых AI-агентов в клиентских коммуникациях: продажах, поддержке, консультациях и debt collection.

Наши агенты работают с данными, обращаются к внутренним системам компаний, вызывают инструменты и ведут диалог в рамках заданных бизнес-сценариев.

Мы развиваем мультиязычные голосовые решения и самостоятельно дообучаем модели, чтобы расширять количество поддерживаемых языков и повышать качество работы продукта.

Сейчас нам нужен человек, который возьмёт на себя одно из ключевых направлений - всю систему подготовки данных для AI/ML-моделей

Главный результат работы - стабильно качественные данные и масштабируемая методология их подготовки для разных моделей, языков и проектов.

Это не роль классического project manager. Нам нужен человек, который понимает, как состав, объём и качество данных влияют на результат работы модели, умеет самостоятельно проектировать процессы и отвечать за конечный результат.

Чем предстоит заниматься

• Отвечать за качество данных и методологию их подготовки для AI/ML-проектов;
• Выстроить полный цикл работы с данными: сбор, поиск, закупку, подготовку, разметку, верификацию и приёмку;
• Совместно с ML-инженерами определять требования к составу, объёму и качеству датасетов;
• Выбирать оптимальную модель работы: внутренняя команда, подрядчики, краудсорсинг, фриланс или гибридный подход;
• Формировать команду, привлекать аннотаторов, языковых и предметных экспертов;
• Ставить задачи внешним исполнителям и контролировать сроки, качество и результат;
• Разрабатывать инструкции, стандарты разметки, критерии оценки и правила приёмки данных;
• Внедрять механизмы контроля качества и регулярно улучшать их;
• Проверять приобретаемые и получаемые от партнёров датасеты до их использования в обучении моделей;
• Анализировать ошибки в данных и результатах моделей, находить системные причины проблем и корректировать подход;
• Автоматизировать ручные этапы разметки, проверки и приёмки;
• Координировать работу по разным языкам и направлениям;
• Переносить успешные процессы между проектами и расставлять приоритеты с учётом качества, сроков и доступных ресурсов;
• Работать вместе с ML-инженерами, языковыми специалистами и продуктовыми командами.

Что для нас важно

• Опыт построения или существенной перестройки процессов подготовки и разметки данных для AI/ML-проектов;
• Опыт работы с несколькими этапами data lifecycle: сбором, закупкой, разметкой, верификацией и приёмкой датасетов;
• Умение самостоятельно проектировать процесс и выбирать модель работы с учётом качества, скорости, стоимости и доступных ресурсов;
• Практическое понимание того, как состав, объём и качество данных влияют на обучение и результат AI/ML-моделей;
• Опыт построения систем контроля качества, разработки инструкций и обучения исполнителей;
• Опыт управления аннотаторами, подрядчиками, экспертами или распределёнными командами;
• Умение находить системные причины проблем и улучшать процесс, а не только исправлять отдельные ошибки;
• Способность самостоятельно вести направление, принимать решения в условиях неопределённости и отвечать за конечный результат;
• Умение работать на стыке data operations, ML и people management;
• Знакомство с Label Studio, Toloka, Scale AI или другими платформами разметки;
• Хороший русский и английский язык для работы с командой, документацией и подрядчиками;
• Готовность работать из офиса в Москве.

Опыт с конкретным языком или речевыми данными не обязателен. Для нас важнее умение выстраивать процессы, глубоко разбираться в методологии и быстро осваивать новые типы данных.

Будет плюсом

• Опыт подготовки речевых и аудиоданных для ASR, TTS и других Speech AI-задач;
• Опыт работы с данными для LLM, conversational AI и AI-агентов;
• Опыт подготовки мультиязычных датасетов;
• Опыт закупки и приёмки внешних данных, выбора подрядчиков и управления их работой;
• Опыт автоматизации разметки и построения human-in-the-loop или model-assisted labeling процессов;
• Понимание метрик качества аннотации, включая inter-annotator agreement и acceptance rate;
• Опыт работы с golden sets, honeypot-задачами, double annotation и выборочными проверками;
• Опыт внедрения современных инструментов подготовки и контроля качества данных.

Если тебе нравится скорость, короткие циклы и возможность напрямую влиять на продукт, тебе у нас будет комфортно.