Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
Anthropic
Нью-Йорк, Соединенные Штаты3 месяца назад
500 000 – 850 000 USD
в год
Грейд
Staff
Формат работы
Гибрид
Уровень английского
C1, продвинутый
Релокация
Соединенные Штаты
Письмо на почту или сообщение рекрутеру в Telegram
Миссия Anthropic — создавать надежные, интерпретируемые и управляемые системы ИИ. Мы хотим, чтобы ИИ был безопасным и приносящим пользу нашим пользователям и обществу в целом. Наша команда — это быстрорастущая группа преданных своему делу исследователей, инженеров, экспертов по политике и бизнес-лидеров, работающих вместе над созданием полезных систем ИИ. Команда RL Data Platform Anthropic создает системы, которые производят, перемещают и обслуживают человеческие данные, из которых учится Claude: интерфейсы, которые люди используют для предоставления обратной связи, конвейеры, которые превращают необработанную обратную связь в обучающий сигнал, и инструменты, которые исследователи используют для запуска, мониторинга и проверки сбора данных. Каждый запуск RL зависит от постоянного поступления высококачественных данных — обратной связи от людей, демонстраций экспертов, оцененных стенограмм — и когда у исследователя появляется идея для новых данных в понедельник, наша задача — сделать их доступными для сбора к среде и включить в обучающую выборку к пятнице. Это полнофункциональная, требующая высокой степени ответственности роль в небольшой команде опытных специалистов. Вы будете проектировать и выпускать веб-интерфейсы, используемые тысячами экспертов-аннотаторов, создавать серверные службы и конвейеры данных, стоящие за ними, и напрямую работать с исследователями RL, чтобы понять, какие данные им нужны и почему. Вы будете определять объем своих проектов, принимать архитектурные решения и доводить их до внедрения. Мы ищем инженеров, которые относятся к исследователям как к своим пользователям, в первую очередь строят с учетом надежности и уделяют столько же внимания форме данных, выходящих из системы, сколько и пользовательскому интерфейсу, поступающему в нее. Мы считаем, что наиболее влиятельные исследования в области ИИ — это "большая наука". В Anthropic мы работаем как единая сплоченная команда над несколькими крупномасштабными исследовательскими проектами. И мы ценим влияние — продвижение наших долгосрочных целей в области управляемого, надежного ИИ — а не работу над мелкими и более специфическими задачами. Мы рассматриваем исследования ИИ как эмпирическую науку, которая имеет столько же общего с физикой и биологией, сколько с традиционными усилиями в области компьютерных наук. Мы чрезвычайно коллаборативная группа, и мы проводим частые исследовательские обсуждения, чтобы гарантировать, что мы занимаемся наиболее влиятельной работой в любой данный момент. В связи с этим мы высоко ценим коммуникативные навыки. Самый простой способ понять наши исследовательские направления — прочитать наши последние исследования. Эти исследования продолжают многие направления, над которыми наша команда работала до Anthropic, включая: GPT-3, Circuit-Based Interpretability, Multimodal Neurons, Scaling Laws, AI & Compute, Concrete Problems in AI Safety и Learning from Human Preferences. Присоединяйтесь к нам!
Проектировать, создавать и эксплуатировать интерфейсы для обратной связи и сбора данных, используемые людьми-аннотаторами, экспертами в предметной области и внутренними исследователями. Создавать и поддерживать серверные службы, API и конвейеры, которые направляют выборки моделей людям и возвращают структурированную обратную связь для обучения. Обеспечивать надежность, задержку и удобство использования систем, которые непрерывно работают с конечными точками живых моделей. Сотрудничать с исследователями RL для преобразования нечетко сформулированных потребностей в данные в хорошо определенные кампании по сбору данных и инструменты для их проведения. Создавать панели мониторинга, инструменты мониторинга и инспекции, чтобы исследователи могли видеть качество и пропускную способность данных, не обращаясь к инженеру. Определять и устранять узкие места между "нам нужны эти данные" и "они включены в обучающую выборку". Создание интерфейса, который позволяет эксперту в предметной области просматривать длинную стенограмму агентивного поведения, отмечать шаг, на котором что-то пошло не так, и писать исправленное продолжение — с результатом, готовым к использованию в обучении. Переработка пути выборки между нашими интерфейсами обратной связи и конечными точками модели для сокращения времени до первой выборки для аннотаторов. Создание программы запуска кампаний, которая позволяет исследователю инициировать новые усилия по сбору данных (задача, рубрика, целевая группа, проверки качества) без написания кода. Инструментация поведения аннотатора для обнаружения низкокачественной или враждебной работы и автоматического представления ее команде качества. Проектирование модели данных для типа обратной связи, который мы ранее не собирали, и выпуск конвейера, который включает его в обучающую выборку.
Прочные навыки полнофункциональной разработки, с производственным опытом работы с TypeScript/React на фронтенде и Python на бэкенде. Опыт проектирования и эксплуатации серверных служб и конвейеров данных, от которых зависят другие команды. Опыт завершения проектов от начала до конца, от неопределенного брифа до внедренного продукта, которым пользуются люди. Уверенность в работе напрямую с техническими заинтересованными сторонами, чьи потребности меняются еженедельно, и способность обоснованно отказаться, когда что-то не стоит разработки. Эффективное использование инструментов ИИ в повседневной работе. Забота о социальном влиянии вашей работы.
Опыт создания инструментов для аннотирования, маркировки, оценки или других инструментов для обработки данных с участием человека (human-in-the-loop). Опыт работы с RLHF, данными предпочтений или другими конвейерами обратной связи от человека для систем машинного обучения. Опыт выпуска внутренних инструментов для исследователей или других экспертов, которые нравятся пользователям: проведение опросов пользователей, устранение проблем, измеримое улучшение опыта. Опыт проведения экспериментов с интерфейсами сбора данных и использования результатов для улучшения качества данных. Опыт работы с платформами массовых исполнителей (crowdworker) или экспертов-поставщиков в масштабе. Знакомство с тем, как обучаются и оцениваются LLM.
Компенсация (годовой оклад): 500 000 – 850 000 долларов США в год
Годовой диапазон компенсации для этой роли указан ниже. Для ролей, связанных с продажами, указанный диапазон представляет собой диапазон целевого дохода ("OTE") для данной роли, что означает, что диапазон включает как целевые комиссионные/бонусы по продажам, так и годовой базовый оклад для данной роли. Годовой оклад: 500 000 – 850 000 долларов США Логистика Минимальное образование: степень бакалавра или эквивалентное сочетание образования, обучения и/или опыта Требуемая область обучения: Область, соответствующая роли, подтвержденная курсовой работой, обучением или профессиональным опытом Минимальный опыт работы: Необходимое количество лет опыта будет коррелировать с требованиями к внутреннему уровню должности для данной позиции Политика гибридной работы в зависимости от местоположения: В настоящее время мы ожидаем, что весь персонал будет находиться в одном из наших офисов не менее 25% времени. Однако некоторые роли могут требовать большего присутствия в наших офисах. Визовая поддержка: Мы предоставляем визовую поддержку! Однако мы не можем успешно спонсировать визы для каждой роли и каждого кандидата. Но если мы сделаем вам предложение, мы приложим все разумные усилия, чтобы получить для вас визу, и для этого мы привлекаем иммиграционного юриста. Мы призываем вас подавать заявку, даже если вы не считаете, что соответствуете всем требованиям. Не все сильные кандидаты будут соответствовать всем перечисленным требованиям. Исследования показывают, что люди, относящиеся к недопредставленным группам, чаще испытывают синдром самозванца и сомневаются в своей квалификации, поэтому мы настоятельно призываем вас не исключать себя преждевременно и подать заявку, если вас заинтересовала эта работа. Мы считаем, что системы ИИ, подобные тем, которые мы создаем, имеют огромные социальные и этические последствия. Мы считаем, что это делает представительство еще более важным, и мы стремимся включить в нашу команду разнообразные точки зрения. Ваша безопасность имеет для нас значение. Чтобы защитить себя от потенциального мошенничества, помните, что рекрутеры Anthropic связываются с вами только с адресов электронной почты @anthropic.com. В некоторых случаях мы можем сотрудничать с проверенными рекрутинговыми агентствами, которые заявят, что работают от имени Anthropic. Будьте осторожны с письмами с других доменов. Законные рекрутеры Anthropic никогда не будут запрашивать деньги, сборы или банковскую информацию до вашего первого рабочего дня. Если вы когда-либо будете сомневаться в общении, не переходите по ссылкам — посетите anthropic.com/careers напрямую, чтобы узнать об открытых вакансиях. Anthropic — это корпорация, приносящая общественную пользу, со штаб-квартирой в Сан-Франциско. Мы предлагаем конкурентоспособную компенсацию и льготы, возможность добровольного сопоставления пожертвований акциями, щедрый отпуск и отпуск по уходу за ребенком, гибкий рабочий график и прекрасное офисное пространство для сотрудничества с коллегами. Руководство по использованию ИИ кандидатами: Узнайте о нашей политике использования ИИ в процессе подачи заявки.
Compensation (Annual Salary:): 500,000 – 850,000 USD per year
About Anthropic Anthropic’s mission is to create reliable, interpretable, and steerable AI systems. We want AI to be safe and beneficial for our users and for society as a whole. Our team is a quickly growing group of committed researchers, engineers, policy experts, and business leaders working together to build beneficial AI systems. About the role Anthropic's RL Data Platform team builds the systems that produce, move, and serve the human data Claude learns from: the interfaces humans use to give feedback, the pipelines that turn raw feedback into training signal, and the tooling researchers use to launch, monitor, and inspect data collection. Every RL run depends on a steady supply of high-quality data - human feedback, expert demonstrations, graded transcripts - and when a researcher has an idea for new data on Monday, our job is to make it collectable by Wednesday and in the training mix by Friday. This is a full-stack, ownership-heavy role on a small, senior team. You'll design and ship web interfaces used by thousands of expert annotators, build the backend services and data pipelines behind them, and work directly with RL researchers to understand what data they need and why. You'll scope your own projects, make architectural calls, and see them through to production. We're looking for engineers who treat researchers as their users, build for reliability first, and care as much about the shape of the data leaving the system as the UI going into it. Key responsibilities Design, build, and operate the feedback and data collection interfaces used by human annotators, domain experts, and internal researchers. Build and maintain the backend services, APIs, and pipelines that route model samples to humans and return structured feedback to training. Own the reliability, latency, and usability of systems that run continuously against live model endpoints. Partner with RL researchers to translate loosely specified data needs into well-scoped collection campaigns and the tooling to run them. Build dashboards, monitoring, and inspection tools so researchers can see data quality and throughput without asking an engineer. Identify and remove the bottlenecks between "we want this data" and "it's in the training mix". Minimum qualifications Strong full-stack engineering skills, with production experience in TypeScript/React on the frontend and Python on the backend. Experience designing and operating backend services and data pipelines that other teams depend on. A track record of owning projects end-to-end, from an ambiguous brief to something in production that people use. Comfort working directly with technical stakeholders whose needs change week to week, and the judgment to push back when something isn't worth building. Effective use of AI tools in your own day-to-day work. Care about the societal impacts of your work. Preferred qualifications Experience building annotation, labelling, evaluation, or other human-in-the-loop data tooling. Experience with RLHF, preference data, or other human-feedback pipelines for ML systems. Experience shipping researcher-facing or other expert-facing internal tools people love: interviewing users, hunting down friction, measurably improving the experience. Experience running experiments on data collection interfaces and using the results to improve data quality. Experience working with crowdworker or expert vendor platforms at scale. Familiarity with how LLMs are trained and evaluated. Representative projects Build an interface that lets a domain expert review a long agentic transcript, flag the step where things went wrong, and write a corrected continuation - with the result landing in a training-ready format. Rework the sampling path between our feedback interfaces and model endpoints to cut time-to-first-sample for annotators. Build a campaign launcher that lets a researcher stand up a new data collection effort (task, rubric, population, quality checks) without writing code. Instrument annotator behaviour to detect low-effort or adversarial work and surface it to the quality team automatically. Design the data model for a kind of feedback we haven't collected before, and ship the pipeline that gets it into the training mix. The annual compensation range for this role is listed below. For sales roles, the range provided is the role’s On Target Earnings ("OTE") range, meaning that the range includes both the sales commissions/sales bonuses target and annual base salary for the role. Annual Salary: $500,000 — $850,000 USD Logistics Minimum education: Bachelor’s degree or an equivalent combination of education, training, and/or experience Required field of study: A field relevant to the role as demonstrated through coursework, training, or professional experience Minimum years of experience: Years of experience required will correlate with the internal job level requirements for the position Location-based hybrid policy: Currently, we expect all staff to be in one of our offices at least 25% of the time. However, some roles may require more time in our offices. Visa sponsorship: We do sponsor visas! However, we aren't able to successfully sponsor visas for every role and every candidate. But if we make you an offer, we will make every reasonable effort to get you a visa, and we retain an immigration lawyer to help with this. We encourage you to apply even if you do not believe you meet every single qualification. Not all strong candidates will meet every single qualification as listed. Research shows that people who identify as being from underrepresented groups are more prone to experiencing imposter syndrome and doubting the strength of their candidacy, so we urge you not to exclude yourself prematurely and to submit an application if you're interested in this work. We think AI systems like the ones we're building have enormous social and ethical implications. We think this makes representation even more important, and we strive to include a range of diverse perspectives on our team. Your safety matters to us. To protect yourself from potential scams, remember that Anthropic recruiters only contact you from @anthropic.com email addresses. In some cases, we may partner with vetted recruiting agencies who will identify themselves as working on behalf of Anthropic. Be cautious of emails from other domains. Legitimate Anthropic recruiters will never ask for money, fees, or banking information before your first day. If you're ever unsure about a communication, don't click any links—visit anthropic.com/careers directly for confirmed position openings. How we're different We believe that the highest-impact AI research will be big science. At Anthropic we work as a single cohesive team on just a few large-scale research efforts. And we value impact — advancing our long-term goals of steerable, trustworthy AI — rather than work on smaller and more specific puzzles. We view AI research as an empirical science, which has as much in common with physics and biology as with traditional efforts in computer science. We're an extremely collaborative group, and we host frequent research discussions to ensure that we are pursuing the highest-impact work at any given time. As such, we greatly value communication skills. The easiest way to understand our research directions is to read our recent research. This research continues many of the directions our team worked on prior to Anthropic, including: GPT-3, Circuit-Based Interpretability, Multimodal Neurons, Scaling Laws, AI & Compute, Concrete Problems in AI Safety, and Learning from Human Preferences. Come work with us! Anthropic is a public benefit corporation headquartered in San Francisco. We offer competitive compensation and benefits, optional equity donation matching, generous vacation and parental leave, flexible working hours, and a lovely office space in which to collaborate with colleagues. Guidance on Candidates' AI Usage: Learn about our policy for using AI in our application process.
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 367 000 до 493 000
