Staff AI-инженер по ML-пайплайнам и компьютерному зрению

О компании

UFORCE — оборонно-технологическая компания, основанная в Украине, со штаб-квартирой в Лондоне. Ведёт операции в Европе, США и Азии. Создаёт беспилотные корабли, наземных роботов, летательные аппараты, программное обеспечение для автономии и систему командования и управления. Продуктовые линейки: семейство беспилотных надводных кораблей MAGURA, семейство ударных платформ NEMESIS, семейство наземных роботизированных платформ LIUT и системы противодействия БПЛА.

О роли

Staff-инженер AI/ML — Self-Serve Toolchain. Построение сквозной системы, которая позволяет клиентам адаптировать модели UFORCE на собственных приватных данных без их раскрытия. Роль охватывает обработку данных, разметку с помощью фундаментальных моделей, контроль качества с участием человека, активное обучение, тренировку, оценку и продвижение моделей.

Что вы будете делать

• Владеть конвейером адаптации ML от сырых клиентских данных до обученных, оценённых и готовых к развёртыванию моделей.
• Создавать рабочие процессы разметки с помощью фундаментальных моделей, используя такие инструменты, как SAM-2, Grounding DINO, модели с открытым словарём, управление LLM и проверку человеком.
• Проектировать самообслуживаемые рабочие процессы оператора с обратной связью да/нет/возможно и исправлениями на естественном языке.
• Создавать версионируемые наборы данных с происхождением, карточками данных, происхождением меток, распределением классов и известными пробелами.
• Строить методы контроля качества, которые выявляют систематические ошибки псевдоразметки, пропущенные аннотации и пробелы в длиннохвостовых данных.
• Разрабатывать циклы активного обучения, которые приоритизируют наиболее ценные кадры для ограниченного просмотра оператором.
• Строить воспроизводимые конвейеры обучения и оценки с отслеживанием экспериментов, упаковкой моделей и шлюзами продвижения.
• Проектировать оценку на основе удерживаемых эталонных наборов, предотвращения утечек, базовых линий, метрик по срезам и автоматических решений о принятии или отклонении.
• Упаковывать инструментарий для локальных, изолированных, регулируемых или клиентских сред.
• Замыкать цикл полевых сбоев, передавая реальные сбои в следующий цикл дообучения.
• Руководить и развивать небольшую специализированную команду по курированию, автоматической разметке, развёртыванию и онбордингу.

Как выглядит успех

• Клиенты могут выполнить полный цикл адаптации без вмешательства инженера.
• Данные клиентов остаются внутри границ клиента.
• Система создаёт надёжные наборы данных с чётким происхождением и сигналами качества.
• Качество псевдоразметки измеряется, а систематические ошибки выявляются на ранней стадии.
• Шлюз продвижения может принимать или отклонять модели на основе доказательств, а не интуиции.
• Оценка защищена эталонными наборами, контролем утечек, метриками по срезам и сравнением с базовыми линиями.
• Полевые сбои становятся воспроизводимыми входными данными для следующего цикла обучения.
• Синтетические данные используются только тогда, когда они доказывают ценность против реальных удерживаемых данных.
• Инструментарий становится повторяемой возможностью, поддерживаемой небольшой, постепенно растущей командой.

Обязательные требования

• Более 5 лет создания продакшн-систем ML, AI или компьютерного зрения.
• Уверенное владение Python и PyTorch.
• Опыт владения конвейерами данных ML, конвейерами обучения или инфраструктурой оценки.
• Глубокий опыт работы с данными компьютерного зрения: детекция, сегментация, таксономии аннотаций, курирование наборов данных и качество данных.
• Практический опыт с разметкой с участием модели или с помощью фундаментальных моделей.
• Знакомство с такими инструментами, как SAM-2, Grounding DINO, FiftyOne и платформами разметки.
• Сильное понимание оценки: удерживаемые наборы, предотвращение утечек, базовые линии, метрики по срезам и шлюзы продвижения.
• Опыт с выборкой для контроля качества, анализом шума в метках, пропущенными аннотациями, IAA или альтернативами, когда доступен только один оператор.
• Опыт с активным обучением или другими методами приоритизации усилий по разметке.
• Способность рассуждать об экономике наборов данных: качество против количества, покрытие длиннохвостовых распределений и стоимость полезного примера.
• Опыт с версионированием наборов данных, происхождением, отслеживанием экспериментов, реестрами моделей или карточками данных.
• Сильное чувство ответственности, коммуникация и системное мышление.
• Опыт руководства инженерами в роли tech lead, staff engineer или менеджера небольшой команды.

Желательно

• Опыт с синтетическими данными, sim2real или доменной рандомизацией.
• Опыт с EO/IR/LWIR, дистанционным зондированием, морскими изображениями или обнаружением малых объектов.
• Опыт с ML, сохраняющим конфиденциальность, федеративным обучением, локальным или изолированным развёртыванием.
• Опыт создания самообслуживаемых ML-платформ или инструментов для неэкспертных пользователей.
• Опыт с lakeFS, DVC, MLflow, Weights & Biases, Kubernetes, Kubeflow, Flyte, Dagster, Airflow или Argo.
• Опыт применения LLM, контекстной инженерии, структурированных выходных данных или оценки LLM.
• Знакомство с радаром, AIS, слиянием EO/IR, трекингом, слиянием сенсоров, робототехникой, автономией, UxV, оборонными технологиями, C2/C4ISR или тактическими системами.