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

О команде:

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 команды 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 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.).