Обязанности: 1. Разработка, оптимизация и развертывание моделей МО для встраиваемых систем Создание и настройка предобученных моделей: Разработка моделей МО для распознавания паттернов в биосигналах (например, ЭМГ), их предобучение на серверной инфраструктуре и подготовка для внедрения в микроконтроллеры. Оптимизация моделей для работы на микроконтроллерах: Применение методов квантизации, прунинга и других оптимизаций для уменьшения размера модели и снижения потребления ресурсов (памяти, энергии) для эффективной работы на устройствах с ограниченными вычислительными возможностями. Интеграция и тестирование моделей на конечных устройствах: Встраивание оптимизированных моделей на протезы и тестирование в условиях реального времени для обеспечения точности и стабильности работы. 2. Создание инфраструктуры для дообучения и обновления моделей Разработка и настройка процесса дообучения на мобильных устройствах: Настройка процессов и инфраструктуры для дообучения моделей на устройстве пользователя через мобильные телефоны. Это позволяет адаптировать модель под уникальные параметры каждого пользователя и улучшать её точность. Интеграция CI/CD процессов для обновлений: Разработка и внедрение процессов CI/CD для автоматизированного обновления моделей, настройки логирования и тестирования. Это обеспечивает своевременное обновление алгоритмов и улучшений на устройстве пользователя. Управление и координация версий моделей: Ведение версий моделей и контроль изменений, чтобы обеспечить совместимость обновлений с разными типами устройств. 4. Поддержка и мониторинг ML-инфраструктуры Мониторинг производительности моделей на встраиваемых устройствах: Настройка системы мониторинга работы моделей на протезах, сбор статистики и аналитики производительности, логирование ошибок для анализа возможных сбоев. Использование облачных ресурсов для предобучения: Управление серверной инфраструктурой для первичного обучения и обновления моделей, обеспечение надежности, безопасности и оптимальной производительности вычислительных ресурсов (например, AWS, GCP). Интеграция инструментов мониторинга для анализа данных и состояния моделей: Настройка Prometheus, Grafana и других инструментов для постоянного анализа данных и состояния моделей, особенно при интеграции с пользовательскими мобильными устройствами. 5. Поддержка программного обеспечения и интеграции с сенсорами Разработка драйверов и интерфейсов для работы с сенсорами: Поддержка программного обеспечения для интеграции с сенсорами на низком уровне (например, I2C, SPI, UART) для получения данных и эффективного взаимодействия с сенсорами. Оптимизация обмена данными и протоколов связи: Настройка REST API или gRPC для связи между облаком, мобильным устройством и протезом, чтобы обеспечить безопасный и надежный обмен данными. Адаптация под требования мобильных платформ: Поддержка работы приложения для взаимодействия с протезом, настройки моделей и управления дообучением на устройствах с iOS и Android. 7. Взаимодействие с командами разработки и тестирования Работа в команде разработчиков и исследователей: Сотрудничество с инженерами, разработчиками аппаратного обеспечения и исследователями для согласования требований и целей проекта. Консультации по вопросам оптимизации и MLOps-практик: Обучение коллег и консультирование по вопросам автоматизации, настройки конвейеров обработки данных и оптимизации моделей. Поддержка и актуализация документации: Ведение документации по разработке, развертыванию и настройке моделей, а также описание используемых методик для внутренней и внешней команд. Требования: 1. Машинное обучение и глубокое обучение Опыт работы с библиотеками МО и ИИ: Умение работать с популярными библиотеками, такими как TensorFlow, PyTorch, Keras для предобучения моделей на серверах с возможностью последующей оптимизации и встраивания. Знание алгоритмов МО: Понимание и опыт применения методов регрессии, классификации, кластеризации и анализа временных рядов. Навыки разработки нейронных сетей: Опыт создания и отладки CNN, RNN, LSTM с акцентом на их адаптацию для работы на микроконтроллерах и оптимизации для маломощных устройств. Опыт распознавания паттернов в биомедицинских данных: Навыки применения МО для анализа и интерпретации сигналов ЭМГ, ЭЭГ и других биосигналов. Оптимизация для встраиваемых систем: Навыки квантизации, прунинга и применения других методов для уменьшения размера и потребления ресурсов модели, чтобы обеспечить работу модели на микроконтроллерах (например, STM32 или ESP32) в реальном времени. 2. Обработка биомедицинских сигналов и датчиков Опыт работы с биосигналами: Практический опыт работы с ЭМГ, ЭЭГ и другими биосигналами, а также их предварительной обработкой перед передачей модели. Фильтрация и сегментация данных: Знание методов фильтрации, обработки временных рядов и сегментации сигналов для точного считывания данных в условиях ограниченных вычислительных ресурсов. Оптимизация обработки сигналов для микроконтроллеров: Понимание особенностей обработки сигналов на микроконтроллерах, включая эффективное управление ресурсами и использование возможностей аппаратного ускорения. 3. Разработка и развертывание ML-инфраструктуры Контейнеризация и оркестрация для серверной и мобильной среды: Опыт работы с Docker и Kubernetes для управления серверной инфраструктурой, а также навыки настройки мобильной инфраструктуры для дообучения на устройстве пользователя. Практики DevOps: Знание CI/CD процессов, тестирования и мониторинга для моделей МО с поддержкой разработки предобученных и дообучаемых моделей. Жизненный цикл МО-моделей: Опыт работы с MLflow, Kubeflow и DVC для управления жизненным циклом МО-моделей на всех этапах — от серверного предобучения до дообучения на мобильном устройстве пользователя. Мониторинг моделей и производительности: Опыт использования Prometheus, Grafana и других инструментов для отслеживания производительности моделей и стабильности системы. 4. Программирование и обработка данных Программирование на Python и C++/C для встраиваемых систем: Уверенные навыки программирования для разработки и оптимизации моделей МО на Python, а также программирование на C/C++ для реализации моделей на микроконтроллерах (например, STM32, ESP32). Оптимизация производительности кода для микроконтроллеров: Навыки написания эффективного кода с минимальными требованиями к памяти и вычислительным ресурсам для работы на встраиваемых устройствах. Базы данных и обработка данных: Опыт работы с большими наборами данных, умение использовать SQL и NoSQL решения для хранения данных предобучения и навыки организации потоков данных для мобильных устройств. 5. Работа с облачными платформами Опыт работы с облачными сервисами для предобучения: Умение развертывать и оптимизировать модели МО на AWS, Google Cloud Platform или Microsoft Azure с целью эффективного использования ресурсов для предобучения. Инструменты для мониторинга и развертывания: Навыки работы с инструментами развертывания и мониторинга, такими как AWS SageMaker или GCP AI Platform, для поддержки предобучения и синхронизации моделей между облаком и мобильными устройствами пользователя. 6. Работа с протоколами и интерфейсами связи Принципы передачи данных и интерфейсы: Понимание принципов REST API, gRPC и других стандартов для организации надежного обмена данными между сервером, мобильным устройством и встраиваемым устройством. Навыки интеграции с сенсорами: Опыт интеграции ПО с внешними устройствами и сенсорами, включая знание низкоуровневых протоколов, таких как I2C, SPI, UART, для работы с сигналами от сенсоров на микроконтроллерах. Условия: Место работы: Инновационный центр Сколково; Стабильная белая зарплата на банковскую карту; Корпоративная мобильная связь; График работы 5/2 c 09.00-18.00 в офисе, после прохождения испытательного срока возможен гибридный график работы; ДМС после испытательного срока (3 месяца); Предусмотрена частичная компенсация за занятия спортом; Корпоративные занятия английским языком; Есть корпоративное обучение - внутреннее и внешнее; Возможности профессионального роста, есть внутренний отдел обучения, готовая оценка и повышения в уровне грейда исходя из компетенций.
Похожие вакансии