Team Lead (Computer Vision)
Задачи
- Управление технической командой.
- Формировать и вести технический backlog: понятные, приоритизированные задачи с чёткими критериями готовности.
- Распределять зоны ответственности между
инженерами команды — по каждому сотруднику должно быть понятно, за какой компонент/модуль он отвечает.
- Организовывать процесс так, чтобы было
прозрачно видно, как работа каждого инженера коммитится в итоговый продукт.
- Проводить синки, ретро, планирование —
обеспечивать предсказуемый темп поставки. Контроль качества кода и решений
- Проводить ревью кода: качество, читаемость,
архитектура компонентов и связок между ними, покрытие тестами.
- Оценивать частоту и качество коммитов - регулярность поставки, размер и атомарность изменений, отсутствие «мертвого» кода.
- Проверять использование действительно
современных (SOTA) методов компьютерного зрения — не просто «работает», а обоснованный выбор подхода.
- Оценивать применимость выбранных решений
в продукте: соответствие ограничениям по железу (edge-инференс), задержкам, стабильности 24/7.
- Оценивать лицензии используемых моделей/библиотек/датасетов и возможность их коммерческого использования: часть проектов коммерческие, поэтому лицензионная чистота (GPL/AGPL-риски, ограничения датасетов, коммерческие лицензии foundation-моделей) — обязательная часть ревью. Коммуникация с руководителем.
- Готовить для руководителя не сырой список
замечаний, а упакованную сводку: статус, риски, рекомендации, что требует решения руководителя.
- Согласовывать с руководителем план работ
команды и корректировать его по ходу проекта. Техническая экспертиза.
- Проектировать и развивать CV-пайплайн: детекция
и трекинг людей, детекция и распознавания объектов, оценка позы, распознавание действий и поведения, Multi-View Multi-Object Tracking.
- Организовывать процесс данных: сбор, разметка,
контроль качества разметки, подготовка датасетов.
- Обучать, тестировать и улучшать модели,
в том числе на сложных сценах (толпа, перекрытия, разное освещение).
- Обеспечивать скорость и стабильность работы
на edge-сервере в магазине: потоковая обработка, оптимизация инференса, контроль задержек.
- Настраивать мониторинг качества на проде:
метрики, деградации, дрейф данных, алерты.
Требования
- Уверенное знание Python и практический опыт
с PyTorch и TensorFlow.
- Опыт работы с ClearML (или аналогом) для трекинга экспериментов и CVAT для управления разметкой.
- Обязателен опыт с ROS2.
- Практический опыт в задачах компьютерного
зрения: детекция, классификация, сегментация, оценка поз, реидентификация, распознавание действий; понимание типовых ошибок в реальных сценах.
- Опыт работы с видеопотоками и системами,
которые должны работать стабильно 24/7: производительность, задержки, устойчивость.
- Опыт оптимизации инференса и развёртывания
моделей (TensorRT и/или аналоги вроде OpenVINO), понимание ограничений edge-среды.
- Понимание процесса data → model → deploy → monitor → improve: версии моделей, воспроизводимость экспериментов, контроль качества на проде.
- Опыт с Linux, Docker, базовыми практиками CI/CD.
- Опыт технического лидерства: ведение backlog,
ревью кода, распределение задач в команде, синхронизация с руководителем.
- Понимание вопросов лицензирования ПО/моделей/датасетов
применительно к коммерческим продуктам. Будет преимуществом
-Запуск и сопровождение CV-систем на производстве
24/7, опыт разборов инцидентов на объекте.
- Опыт с GStreamer, FFmpeg, LIVE555, Ultralytics YOLO, OpenMMLab, Triton.
- Опыт с 3D-данными, калибровкой камер, привязкой
к плану помещения.
- Опыт построения формальных критериев приёмки
ML/CV-работ (метрики, тестовые наборы, чек-листы).
- Высшее техническое или ИТ-образование.
- Участие в соревнованиях (Kaggle и т.п.).
Инструменты и технологии:
Hardware: стек Nvidia
Software: Python, C++, Docker, ROS2, Git, ClearML, CVAT, DVC/lakeFS, Airflow, S3, faissm, qdrant.
CV и инференс: PyTorch, TensorFlow, OpenCV, ONNX, YOLO, OpenMMLab, TensorRT.