Технический лидер направления HD-карт (ML-оптимизация инфраструктуры)

Описание

О команде:Команда разработки высокоточных цифровых дорожных карт (HD-карт) на стыке геоданных, машинного обучения и MLOps.Миссия:Обеспечить транспортным средствам пространственный интеллект, семантическое и топологическое картирование для навигации в сложных условиях. Мы ищем уверенного сеньора с лидерскими качествами и готовностью к развитию в роли играющего тренера для технического лидерства командой HD-карт и MLOps. Ключевые задачи: Техническое лидерство: Управление подгруппой команды разработки, наставничество, проведение код-ревью, развитие компетенций сотрудников. Перспектива роста до полного технического лидера всей команды; Оптимизация инфраструктуры данных: Построение и улучшение пайплайнов обработки геоданных, курирование датасетов, автоматизация подготовки данных для создания HD-карт; Оптимизация ML-пайплайнов: Разработка и внедрение эффективных процессов обучения, валидации и развертывания ML-моделей для картографирования; Разработка ML-детекторов: Создание и внедрение моделей машинного обучения для автоматизации процессов создания карт (обнаружение объектов, сегментация, классификация дорожной инфраструктуры); Разработка метрик: Формирование системы оценки точности карт, временной согласованности и масштабируемости решений. Что мы ждем от кандидата: Высшее техническое образование (магистр/PhD в области компьютерных наук, электротехники или смежных областях); Уверенный сеньор с опытом управления подгруппой от 3-5 лет (перспектива роста до полного технического лидера); Опыт разработки ML/DL для картографирования, компьютерного зрения или смежных областей (5+ лет); Отличное знание Python, опыт работы с PyTorch; Глубокое понимание ML-пайплайнов: от сбора данных до продакшен-развертывания; Опыт построения и оптимизации MLOps-инфраструктуры; Навыки работы с большими объемами данных и распределенным обучением. Будет плюсом: Опыт работы с лидарными данными и знание C++ на базовом уровне; Понимание ГИС и обработки геоданных; Опыт с VLM и базовыми моделями для автоматической маркировки; Опыт в компьютерном зрении, топологии дорог, векторизованных картах (MapTR, BEV); Опыт оптимизации ML-моделей для реального времени (квантование, обрезка); Публикации на конференциях (CVPR, NeurIPS, ICCV и др.).