Инженер машинного зрения (Computer Vision Engineer)

Описание

О компании AI Think — российская технологическая компания, которая разрабатывает программные решения на базе искусственного интеллекта. Наши технологии помогают предприятиям оптимизировать производственные процессы, снижать издержки и автоматизировать сложные задачи. Основное направление — прикладные AI-решения для бизнеса: системы анализа данных, интеллектуальные алгоритмы и промышленные системы компьютерного зрения. AI Think — аккредитованная ИТ-компания. Она входит в реестр Минцифры России и в реестр технологических компаний Москвы. О проекте Мы разрабатываем TAQC — систему автоматического поиска пороков ткани на основе компьютерного зрения и искусственного интеллекта. Система анализирует поток изображений ткани с линейных камер машинного зрения, установленных прямо на производственных машинах. Она автоматически выявляет дефекты и помогает текстильным предприятиям контролировать качество продукции и снижать потери. Основной промышленный объект проекта — предприятие «Чайковский Текстиль». Сейчас в системе работает детектор дефектов на базе YOLO. Параллельно мы разрабатываем многоэтапное решение для обнаружения и классификации дефектов: На первом этапе модель anomaly detection находит отклонения от нормального рисунка ткани (pattern deviation). На втором этапе модель классификации определяет тип дефекта. Вам предстоит продолжить развитие этого направления: улучшать качество обнаружения дефектов, снижать количество ложных срабатываний, оптимизировать модели и доводить решения до промышленного применения. Чем предстоит заниматься Дорабатывать, оптимизировать и выпускать в production систему обнаружения аномалий (pattern deviation) и классификации дефектов. Поддерживать и улучшать текущую модель детекции на базе YOLO. Исследовать, тестировать и внедрять новые подходы к anomaly detection и другим задачам компьютерного зрения. Подбирать, адаптировать и комбинировать модели компьютерного зрения для решения задач контроля качества ткани. Разрабатывать собственные алгоритмы и внутренние инструменты для решения нестандартных задач анализа изображений. Разрабатывать и улучшать алгоритмы поиска краёв ткани на изображениях. Разрабатывать алгоритмы оценки разнооттеночности ткани — неравномерности окраса и оттенка. Подготавливать и анализировать датасеты, подбирать аугментации, самостоятельно размечать данные в небольшом объёме. Координировать работу разметчиков: ставить задачи, составлять инструкции и контролировать качество разметки. Проводить эксперименты, анализировать результаты обучения и оценивать качество моделей на реальных производственных данных. Искать способы снижения ложных срабатываний и пропусков дефектов с учётом требований производства. Удалённо участвовать в калибровке и настройке камер машинного зрения перед установкой новых систем. Взаимодействовать с командой разработки, представителями заказчика и менторами-экспертами в области лёгкой промышленности. Условия работы Полностью удалённая работа из любой точки мира. График работы — 5/2. Зарплата: 80 000 – 110 000 рублей на руки. Работа в инженерной команде, которая занимается прикладными AI-решениями. Онбординг и развитие Подробный онбординг. На старте вас ждёт полноценное погружение в проект и передача дел от текущего computer vision специалиста: архитектура системы, модели, датасеты, процессы разметки и история экспериментов. Обучение отрасли. Отраслевые менторы помогут разобраться в особенностях лёгкой промышленности и типах дефектов тканей. Погружение в железо. Если у вас нет опыта работы с камерами машинного зрения, мы научим. Важно быть готовым глубоко погрузиться в тему и разобраться, как всё устроено на уровне камер: оптика, освещение, параметры съёмки, калибровка. Карьерный рост. После погружения у вас будет возможность самостоятельно возглавить направление computer vision. Следующий шаг - рост до руководителя отдела с наймом специалистов и построением собственной команды. Требования Общий уровень Уровень: Middle. От 1 года коммерческого опыта разработки или исследований в области computer vision / machine learning. Computer Vision и Machine Learning Практический опыт решения задач компьютерного зрения: object detection, image classification, segmentation или anomaly detection. Понимание методов обнаружения аномалий на изображениях: PatchCore, PaDiM, автоэнкодеры и другие подходы. Понимание принципов работы архитектур нейронных сетей для задач компьютерного зрения, знакомство с различными подходами к детекции объектов: YOLO, Faster R-CNN, DETR и другими. Знание математических основ машинного обучения. Практический опыт обучения и дообучения моделей компьютерного зрения, умение подбирать подходящие архитектуры под конкретные задачи. Понимание процесса обучения нейронных сетей, роли основных гиперпараметров и умение обоснованно подбирать их в зависимости от задачи и результатов экспериментов. Знание основных метрик качества моделей компьютерного зрения, умение интерпретировать их и выбирать критерии оценки с учётом требований бизнеса, допустимого уровня ложных срабатываний и пропусков дефектов. Умение формулировать и проверять гипотезы, проводить эксперименты, анализировать результаты обучения и делать обоснованные выводы для улучшения моделей. Готовность самостоятельно разрабатывать алгоритмы и искать решения нестандартных задач, а не только применять готовые подходы. Классическая обработка изображений Опыт применения классических алгоритмов обработки изображений: выделение границ и контуров, фильтрация, морфологические операции. Понимание цветовых пространств: RGB, HSV, Lab. Знание основных подходов к анализу цвета и текстуры изображений. Работа с данными Опыт подготовки и анализа датасетов, понимание особенностей работы с несбалансированными данными и умение выстраивать соответствующие пайплайны обучения. Умение подбирать и применять аугментации с учётом специфики данных, особенностей отдельных классов и характера дефектов. Понимание процессов разметки данных и опыт работы с инструментами разметки: CVAT, Label Studio или аналогами. Умение оценивать качество и репрезентативность данных, выявлять проблемы датасета, способные повлиять на результаты обучения. Инструменты и технологии Уверенное владение Python. Опыт работы с ML-фреймворками: PyTorch, Ultralytics / YOLO или аналогами. Опыт работы с библиотеками обработки изображений: OpenCV, NumPy, scikit-image или аналогами. Современные инструменты разработки Широкий кругозор в области AI-разработки. Понимание современных подходов: agent-based coding, построение AI-pipeline, использование AI-инструментов в разработке. Коммуникация Умение выстраивать работу с разработчиками, заказчиком и отраслевыми экспертами. Умение понятно объяснять технические решения людям без ML-бэкграунда. Будет огромным плюсом Опыт работы с текстилем или в лёгкой промышленности. Он не обязателен: мы готовы обучить всем особенностям отрасли и типам дефектов. Опыт работы с камерами машинного зрения, в том числе линейными, их калибровкой и настройкой параметров съёмки. Если опыта нет, научим, но потребуется готовность глубоко погрузиться в тему. Опыт оптимизации моделей для промышленного применения: ONNX, TensorRT, квантизация или аналогичные подходы. Опыт работы с задачами контроля качества на производстве. Знакомство с few-shot и zero-shot подходами к обнаружению аномалий или интерес к их изучению и практическому применению. Опыт организации и контроля работы разметчиков. Как проходит собеседование Собеседование проходит в один этап и длится около часа. На одной встрече мы: Познакомимся и расскажем о проекте и условиях работы. Обсудим ваш опыт в computer vision и machine learning. Поговорим о подходах к обучению моделей, работе с данными, оценке качества и решении практических задач обработки изображений. Как откликнуться Отправьте отклик с кратким описанием вашего опыта в machine learning и computer vision. Будет полезно указать: С какими задачами компьютерного зрения вы работали. Какие модели и фреймворки использовали. Опыт обучения, дообучения и оптимизации моделей. Опыт работы с anomaly detection. Опыт подготовки датасетов, работы с несбалансированными данными, аугментациями и разметкой. Опыт работы с классическими алгоритмами обработки изображений. Опыт работы с камерами машинного зрения, если он есть. Примеры собственных алгоритмов или инструментов, которые вы разработали. Участие в прикладных проектах или исследованиях. Также можно приложить GitHub, портфолио или примеры проектов.