Просмотр вакансии

О нас

Мы — агрегатор аутстаффинговых проектов и помогаем специалистам находить проекты под их реальный опыт и сильные стороны.

• Помогаем адаптировать резюме под конкретную вакансию и требования заказчика
• Помогаем формировать проектное резюме с акцентом на релевантный опыт
• Автоматически подбираем и отправляем приглашения на новые подходящие вакансии
• Долгосрочное сопровождение специалиста по нескольким проектам

О проекте

Проект в области промышленности. Используемые технологии: ClearML, Docker, CI/CD (GitLab CI / GitHub Actions), Prometheus, Grafana, TensorRT, OpenVINO, CVAT, Kafka (желательно).

Обязанности:

• Развитие текущей MLOps-инфраструктуры для задач компьютерного зрения
• Внедрение и поддержка системы управления экспериментами (в первую очередь ClearML)
• Помощь в построении и поддержке пайплайнов обучения, валидации и деплоя моделей
• Настройка репозиториев для CV-моделей
• Мониторинг качества уже реализованных моделей в продакшене
• Организация сбора, хранения и версионирования данных и моделей
• Интеграция уже развернутого CVAT с корпоративным хранилищем данных
• Оптимизация и ускорение инференса (в том числе с использованием TensorRT / OpenVINO)
• Настройка логирования, алертинга и наблюдаемости экспериментов CV
• Взаимодействие с CV DS и PLOPS командами для стандартизации процессов разработки и деплоя моделей
• Целевое ускорение разработки CV DS команды на 20% после внедрения нового флоу разработки

Требования:

• Опыт работы в роли MLOps от 2–3 лет
• Опыт разработки CV моделей от 1 года
• Опыт построения CV-пайплайнов (training / validation / deployment)
• Практический опыт с инструментами управления экспериментами (ClearML и аналоги)
• Опыт работы с Docker и CI/CD (GitLab CI / GitHub Actions или аналогами)
• Уверенные знания Python
• Опыт работы с Linux на уровне администрирования
• Понимание жизненного цикла CV-моделей и проблематики продакшена (drift, reproducibility, versioning)
• Опыт работы с системами мониторинга (Prometheus, Grafana или аналоги)
• Понимание работы GPU и особенностей инференса моделей на разных бекендах
• Опыт внедрения ClearML с нуля
• Опыт работы с Kubernetes
• Опыт оптимизации моделей (TensorRT, OpenVINO)
• Опыт работы с CV-задачами (детекция, сегментация, видеоаналитика)
• Опыт работы с потоковыми данными (Kafka и аналоги)

Условия:

• Формат работы: Удаленная работа
• Тип занятости: Полная занятость