В компанию-разработчик технологии автономного вождения Navio требуется Технический лидер направления HD-карт с лидерскими качествами и готовностью к развитию в роли играющего тренера для технического лидерства команды HD-карт и MLOps.
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.
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 ждут от кандидата:
- Высшее техническое образование (магистр/PhD в области компьютерных наук, электротехники или смежных областях).
- Уверенный сеньор с опытом управления подгруппой 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.).