Data Scientist / ML Engineer (Computer Vision), Junior+ / Middle

Data Scientist / ML Engineer (Computer Vision), Junior+ / Middle

Ищем Data Scientist / ML Engineer уровня Junior+ / Middle для работы над проектами в области Computer Vision, видеоаналитики и других задач, связанных с машинным обучением и данными.

Нам нужен инженерно ориентированный специалист, который умеет не только обучать модели, но и доводить ML-задачи до рабочего прототипа: подготовить данные, провести эксперименты, обучить и оценить модель, завернуть её в сервис и сделать минимальный интерфейс для демонстрации результата.

Чем предстоит заниматься

• подготовкой, очисткой и анализом данных;

• обучением и оценкой ML/DL-моделей;

• задачами Computer Vision: classification, object detection, segmentation, tracking;

• обработкой изображений, видео и видеопотоков;

• проведением экспериментов и проверкой ML-гипотез;

• интеграцией моделей в приложения и сервисы;

• разработкой API и небольших web-интерфейсов для ML-прототипов;

• упаковкой и запуском решений в Docker;

• участием в проектировании ML-систем и выборе архитектуры решения;

• участием в других Data Science и ML-проектах;

• взаимодействием с backend-, frontend-, mobile- и AI-разработчиками.

Обязательные навыки и опыт

• Python — уверенное владение языком, понимание ООП, работа с виртуальными окружениями и зависимостями;

• NumPy, Pandas — опыт обработки, очистки и анализа данных;

• scikit-learn — опыт обучения классических ML-моделей, построения pipeline, оценки качества и валидации;

• PyTorch — практический опыт обучения и inference нейронных сетей;

• понимание принципов Deep Learning: loss functions, optimizers, overfitting, regularization, train/validation/test split;

• практический опыт хотя бы с одним направлением Computer Vision: classification, object detection, segmentation или tracking;

• OpenCV — чтение и обработка изображений и видео, resize, crop, преобразования, работа с кадрами;

• понимание метрик качества: Precision, Recall, F1, ROC-AUC, IoU, mAP и когда какие метрики использовать;

• опыт подготовки датасетов, анализа ошибок модели и работы с дисбалансом классов;

• понимание принципов проектирования ML-систем: как организовать pipeline от получения данных и preprocessing до inference, API и выдачи результата;

• понимание разницы между offline и online inference, batch и real-time обработкой;

• базовое понимание требований к производительности, latency, throughput и масштабированию ML-сервисов;

• понимание того, где и как хранить модели, конфигурации, данные и результаты;

• способность предложить разумную архитектуру ML-прототипа или небольшого production-like сервиса;

• Git — branches, commits, merge/pull requests;

• Linux — уверенная работа из терминала, запуск сервисов и скриптов;

• Docker — обязательно: умение написать Dockerfile, собрать image, запустить контейнер, пробросить ports/volumes/environment variables;

• опыт создания простого REST API для ML-модели;

• практический опыт с FastAPI, Flask или аналогичным Python web-framework;

• базовое понимание HTTP, JSON, REST;

• способность самостоятельно сделать минимальный web-интерфейс или UI для демонстрации модели;

• опыт работы с Streamlit, Gradio либо базовыми HTML/CSS/JavaScript будет достаточным для этой части.

Важно: полноценным frontend-разработчиком быть не нужно. Web-навыки нужны для создания прототипов, внутренних инструментов и демонстрационных оболочек вокруг ML-решений.

Будет плюсом

• опыт проектирования более сложных ML system design решений;

• понимание model serving, feature pipelines, очередей сообщений и асинхронной обработки;

• опыт с YOLO / Ultralytics — обучение, fine-tuning и inference моделей детекции;

• Detectron2 / MMDetection;

• Hugging Face Transformers;

• опыт с object tracking: ByteTrack, DeepSORT и аналогами;

• работа с FFmpeg, RTSP, видеопотоками и IP-камерами;

• опыт с OCR;

• CUDA / GPU — понимание работы и ограничений GPU inference;

• ONNX / ONNX Runtime;

• TensorRT и оптимизация inference;

• опыт обработки видео в real-time или near real-time;

• SQL / PostgreSQL;

• более глубокий опыт с FastAPI;

• Streamlit;

• базовый опыт с React / Vue;

• Docker Compose;

• CI/CD;

• базовые знания MLOps;

• мониторинг качества и производительности ML-моделей;

• опыт развертывания ML-сервисов на сервере или в облаке;

• опыт участия в коммерческих ML-проектах.

Какого человека мы ищем

Ищем специалиста, который не ограничивается работой в Jupyter Notebook и способен самостоятельно довести задачу до демонстрируемого результата.

Важно уметь смотреть на ML-задачу как на систему целиком: от источника данных и preprocessing до модели, API, инфраструктуры и конечного пользователя.

Для уровня Junior+ важны хорошая фундаментальная база, собственные или учебные проекты и способность самостоятельно разбираться в новых технологиях.

Для уровня Middle ожидаем опыт коммерческих или production-like проектов, самостоятельный выбор подходов, анализ качества моделей и способность проектировать и доводить ML-задачу от данных и экспериментов до работающего сервиса или прототипа.

По результатам работы может проводиться премирование.