Тренировка моделей компьютерного зрения: настройка гиперпараметров для решения задач классификации, сегментации или детекции объектов.
Сбор и обработка данных: сбор, аннотация, аугментация и предобработка изображений или видео для создания и расширения датасетов.
Оптимизация и настройка гиперпараметров: проведение экспериментов по подбору оптимальных значений гиперпараметров, применение методов регуляризации и оптимизаторов. Задача направлена на улучшение производительности и стабильности моделей.
Интеграция и развертывание моделей: внедрение обученных моделей в приложения посредством разработки API и настройки процессов CI/CD.
Анализ результатов и интерпретация метрик: оценка производительности моделей через анализ метрик, визуализацию результатов и составление отчетов.
Работа с облачными платформами и MLOps: использование облачных сервисов для масштабирования обучения и развертывания моделей, а также автоматизация процессов с помощью DevOps/MLOps инструментов.
Документирование и коммуникация: составление технической документации, отчетов и проведение презентаций для команды и заинтересованных сторон.

Наши ожидания:

Практический опыт работы в нейронных сетях и компьютерном зрении:

Опыт разработки, обучения и тестирования нейронных сетей с применением различных архитектур;
Знание и практическое применение популярных фреймворков (TensorFlow или PyTorch)

Уровень английского B2 (чтение технической литературы и научных публикаций)
Крепкая база по линейной алгебре, статистике, теории вероятностей и основам машинного обучения, включая принципы работы нейронных сетей.
Работа с датасетами:

Умение собирать, аннотировать и предобрабатывать данные.
Опыт создания и расширения датасетов, включая их валидацию, аугментацию и балансировку классов.
Навыки работы с инструментами для обработки изображений OpenCV.

Настройка гиперпараметров и оптимизация моделей:

Опыт подбора и оптимизации гиперпараметров нейронных сетей.
Знание методов регуляризации (dropout, L2-регуляризация) и алгоритмов оптимизации (Adam, SGD, RMSprop).
Способность проводить эксперименты для улучшения качества модели и интерпретировать результаты обучения.

Программирование и инструменты разработки:

Отличное владение языком Python.
Знание библиотек для глубокого обучения (TensorFlow, PyTorch) и работы с данными (numpy, pandas).
Опыт работы с библиотеками для компьютерного зрения.
Владение системами контроля версий (Git) и понимание принципов разработки программного обеспечения.

Математическая и аналитическая компетентность:

Глубокие знания в области математики (линейная алгебра, статистика, теория оптимизации).
Способность анализировать результаты экспериментов и оперативно корректировать модели.

Коммуникация и командная работа:

Умение четко и понятно доносить технические детали как до специалистов, так и до представителей бизнеса.
Способность к эффективной работе в команде, документированию результатов и обмену знаниями.
Готовность к постоянному обучению.