ML-разработчик в команду signal detection Автономного транспорта
О компании
Яндекс является одной из ведущих IT-компаний в России, предоставляющей широкий спектр цифровых услуг и технологий. Основное внимание компании уделяется разработке поисковых систем, онлайн-сервисов и продуктов на базе искусственного интеллекта.
Яндекс активно развивает направление автономного транспорта, в рамках которого команда signal detection отвечает за восприятие окружающей среды и интерпретацию сигналов, получаемых от различных источников, таких как видеопотоки светофоров и поведения участников движения.
Ключевые факты:
- Год основания: 1997
- Число сотрудников: более 10 000
- Основные продукты: Яндекс.Поиск, Яндекс.Такси, Яндекс.Музыка, Яндекс.Навигатор
О вакансии
Команда signal detection занимается разработкой технологий для автономного транспорта. Они создают системы, которые интерпретируют сигналы из окружающей среды, используя видеопотоки, чтобы обеспечить безопасность и эффективность движения.
Проект включает создание универсальной архитектуры распознавания сигналов, способной объединять различные задачи. Команда разрабатывает модели, которые не только точны, но и стабильны во времени, что критически важно для надёжной работы автотранспорта.
Команда ждет от вас опыта в разработке ML-систем, работающих с динамическими данными, а также готовности к потенциальным архитектурным изменениям и улучшениям.
Чем предстоит заниматься:
- Разработка и поддержка ML-систем для обработки видеоданных.
- Проектирование универсальных архитектур для распознавания сигналов.
- Работа с большими датасетами и информативностью данных.
- Обеспечение соблюдения real-time требований на этапах разработки.
- Ведение задач на всех этапах разработки.
Что мы предлагаем:
- Участие в проектах, влияющих на будущее автономного транспорта.
- Возможность профессионального обучения и развития внутри компании.
Обязанности
- Разработка ML-систем для видеоанализа и обработки последовательностей.
- Проектирование архитектур, обобщающихся на несколько задач.
- Организация воспроизводимого цикла экспериментов с использованием фреймворков глубокого обучения.
- Учет ограничений реального времени при разработке моделей.
- Извлечение сигнала из шумных и неполных данных.
- Ведение задач от начала до конца с влиянием на архитектурные решения.