Просмотр вакансии

Мы создаём технологию восстановления конструкторской документации по старым архивным чертежам.

На входе — комплект отсканированных документов: чертежи деталей и сборок, спецификации, электрические схемы, технические требования и рукописные изменения. На выходе должна получаться восстановленная цифровая модель изделия: структурированные данные, 3D-модели деталей и сборки, а затем современная конструкторская документация для дальнейшей работы инженеров и производства.

Ищем ведущего ML-инженера, который возьмёт на себя техническую реализацию этой системы.

Это роль с большой самостоятельностью. Нужно будет не обслуживать готовую модель, а спроектировать и собрать работающий ML-контур: от обработки исходных документов до передачи восстановленной информации в CAD. Конкретная архитектура не зафиксирована — её предстоит выбрать и реализовать.

Что предстоит делать:

• Спроектировать сквозную систему восстановления КД по архивным документам;

• Научить систему извлекать из чертежей геометрию, размеры, обозначения, состав изделия и технические требования;

• Разрабатывать, обучать и дообучать модели компьютерного зрения и мультимодальные модели под наши данные;

• Работать с низкокачественными сканами, рукописными исправлениями, зачёркиваниями и неполными комплектами документов;

• Связать результаты распознавания с построением 3D-моделей и дальнейшей работой в CAD;

• Использовать готовые модели и открытые разработки там, где это оправдано, и создавать собственные решения там, где готовых нет;

• Собрать отдельные модели и инструменты в единый воспроизводимый конвейер;

• Довести систему от исследовательского прототипа до обработки реальных комплектов документации;

• Организовать автоматическую проверку результата и передачу сложных случаев инженеру;

• По мере развития проекта участвовать в формировании ML-команды и руководить её технической работой.

Кого мы ищем:

• Сильного практикующего ML-инженера с опытом в Computer Vision;

• Уверенное владение Python и PyTorch;

• Опыт самостоятельного обучения и дообучения моделей на собственных данных;

• Понимание современных архитектур компьютерного зрения и мультимодальных моделей;

• Опыт построения полного ML-контура: данные, обучение, инференс, интеграция и эксплуатация;

• Умение разбираться в исследовательских работах и переносить подходы из статей в рабочий код;

• Способность проектировать систему целиком, а не только улучшать отдельную модель;

• Готовность лично писать код и доводить решения до работающего результата;

• Самостоятельность в технических решениях и ответственность за итог проекта.

Нам важнее реализованные системы и личный вклад кандидата, чем формальное количество лет опыта.

Будет плюсом:

• OCR и Document AI;

• Обработка инженерных чертежей, схем, карт или других технических изображений;

• Raster-to-vector и извлечение геометрических примитивов;

• Геометрическое компьютерное зрение и восстановление 3D;

• Синтетические данные и domain randomization;

• Vision Language Models и их дообучение;

• CadQuery, OpenCASCADE, FreeCAD, КОМПАС-3D или другие CAD-системы;

• Опыт технического руководства небольшой командой;

• Опыт создания ML-продукта с нуля.

Не требуется уже знать ЕСКД или быть инженером-конструктором. Для предметной части будут доступны специалисты и исходные документы.

Эта позиция не подойдёт кандидату, чей опыт ограничен подключением готовых API, промптингом или сборкой стандартных RAG-систем без обучения собственных моделей.

Что предлагаем:

• Возможность возглавить разработку новой технологии на стыке ML, компьютерного зрения и промышленной инженерии;

• Прямое влияние на архитектуру и технические решения;

• Работу с реальными архивными документами и понятным конечным результатом;

• Доступ к вычислительным ресурсам и бюджету на эксперименты;

• Прямое взаимодействие с основателями проекта и предметными специалистами;

• Удалённую работу по РФ;

• Полную занятость;

• Формат оформления обсуждается.

Как проходит отбор:

1. Короткое знакомство;

2. Технический разговор о реализованных кандидатом ML-системах и его личном вкладе;

3. Совместный разбор задачи проекта с технической командой;

4. Финальное обсуждение условий и зоны ответственности.

В отклике просим прислать резюме, GitHub или описание реализованных ML/CV-проектов. Особенно интересны примеры, где вы самостоятельно прошли путь от исходных данных и обучения моделей до работающей системы.