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

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.).