CV-инженер (техлид) в службу AI-сервисов Лавки

Привет! Меня зовут Алена, и я руковожу AI в Яндекс Лавке. Лавка, с одной стороны, очень операционный, а с другой — очень технологичный сервис, и мы работаем на стыке этих направлений.

Яндекс Лавка — сервис быстрой доставки товаров из дарксторов. За клиентским приложением стоит большой пласт операционной деятельности: дарксторы, распределительные центры, производство и другие процессы, где много рутинных проверок и огромный потенциал для применения computer vision.

Мы ищем на техлидскую IC-роль сильного CV-инженера, который целиком возьмёт на себя техническую ответственность за создание и развитие CV-решений для операционных процессов. Это не people-management-позиция, а роль с высоким уровнем самостоятельности и ownership.

Ведение CV-решений end-to-end
Вам предстоит вести весь технический контур от выбора подхода и архитектуры до продакшна: определять, где достаточно анализа изображений, а где нужен видеоанализ, решать, когда подходят готовые модели, а когда требуется дообучение.

Детекция нарушений по камерам в дарксторах
Вы будете разрабатывать решения, которые автоматически выявляют отклонения в корректности хранения товара, соблюдении норм гигиены, правил пожарной безопасности и других операционных требований.

Написание кода и сборка пайплайнов
Вам нужно будет писать продакшн-код, собирать пайплайны обработки и инференса, доводить решения до стабильной работы в продакшне.

Баланс качества, стоимости и надёжности
Важно уметь смотреть на задачу с точки зрения не только качества модели, но и стоимости инфраструктуры, надёжности и сложности внедрения.

Больше об ML в Яндексе — в канале Yandex for ML

• Работали с видеоаналитикой или готовы в неё погружаться
• Имеете сильный опыт в computer vision: детекции, сегментации, классификации
• Умеете самостоятельно вести CV-проекты от идеи до продакшна
• Разрабатываете на Python, владеете фреймворками: PyTorch или аналогами
• Понимаете, как устроены MLOps-пайплайны и деплой моделей
• Проактивны и очень самостоятельны

• Работали с real-time-видеоаналитикой
• Оптимизировали модели: работали с TensorRT, ONNX и другими инструментами
• Разворачивали CV-решения в промышленных или операционных средах