Команда signal detection в составе направления восприятия Автономного транспорта отвечает за то, чтобы система корректно интерпретировала сигналы и намерения окружающего мира по видеопотокам: светофоры, поведение участников движения. Наша задача — построить универсальную архитектуру распознавания сигналов, которая объединяет разные домены и задачи в одну систему. Мы создаём модели, обеспечивающие не только точность, но и временну́ю стабильность сигналов, и доводим их до надёжного продакшена, напрямую влияющего на поведение автомобиля.

Обязанности:

Разработка универсальной архитектуры распознавания сигналов
Вы будете создавать multidomain/multitask-решения, которые обобщаются на разные типы сигналов и сценарии без необходимости разработки отдельных моделей под каждую задачу. Моделирование временно́го поведения сигналов
Вы станете работать с последовательностями и видеопотоками: обеспечивать консистентность предсказаний, корректную реакцию на изменения и подавление нестабильностей. Работа с разнообразными источниками и типами данных
Вам предстоит интегрировать визуальную информацию с дополнительным контекстом, исследовать способы повысить устойчивость моделей на реальных данных. Построение end-to-end ML-системы и вывод решений в продакшен
Понадобится участвовать во всём цикле: от постановки задачи и работы с данными до внедрения, мониторинга и анализа поведения системы в продакшене. Оптимизировать модели под ограничения реального времени, контролировать деградации, управлять rollout’ами и анализировать интеграционные эффекты. Развитие системы оценки качества. Работа с данными и сценариями
Важно создавать метрики, отражающие реальное поведение системы: сценарные тесты, временны́е характеристики, устойчивость сигналов. Формировать требования к разметке, собирать сложные кейсы, системно работать с ошибками и улучшать датасеты. Больше об ML в Яндексе — в канале Yandex for ML

Ключевые навыки:

  • Строили и развивали ML-системы, работающие с последовательностями или видеоданными, и понимаете особенности их поведения во времени
  • Способны проектировать архитектуры, которые обобщаются на несколько задач и доменов, и принимать решения на уровне системы, а не отдельной модели
  • Уверенно работаете с современными фреймворками глубокого обучения и умеете организовать воспроизводимый цикл экспериментов
  • Понимаете ограничения real-time-продакшена (latency, стабильность, деградации) и умеете учитывать их при разработке моделей
  • Работали с большими датасетами и инфраструктурой обучения, умеете извлекать сигнал из шумных и неполных данных
  • Готовы отвечать за результат, вести задачи end-to-end и влиять на архитектурные решения