Чем предстоит заниматься
Разработка и адаптация новых подходов
Новые методы машинного обучения в автономном вождении и робототехнике появляются каждый день. Их необходимо адаптировать к разрабатываемому роботу, создавать на их основе новые подходы и проводить тщательное обучение, включая отбор данных, их очистку, настройку конвейеров обучения и анализ результатов
Адаптация алгоритмов под ограничения вычислителей
Мы разрабатываем полезных роботов, которые должны выполнять свою функцию и приносить компании прибыль. Поэтому мы ограничены в мощности вычислителей и в наборе сенсоров. Вместе с тем у нас накоплено значительное количество данных и моделей, которые надо разместить на нашем вычислителе. Уместить все модели в ограниченном объёме памяти и производительности — творческая задача. Мы используем различные методы квантизации моделей, оптимизации их архитектур и методы переноса знаний (Transfer Learning) для её решения
Развитие пайплайна и ML-моделей
Разработка робота требует создания и развития не только моделей внутреннего поведения (локализации, навигации, восприятия), но и моделей внешней среды. Вы будете изучать существующий пайплайн построения векторных карт и улучшать его, разрабатывать и обучать ML-модели для извлечения и векторизации элементов дорожной инфраструктуры. Нужно будет исследовать и внедрять новые подходы из научных статей (CV, ML, 3D, multimodal learning), предлагать и реализовывать собственные идеи и алгоритмы. Вам предстоит работать с реальными данными автономного транспорта (сенсоры, разметка, шум, масштаб), участвовать в полном цикле R&D — от идеи и экспериментов до продакшен-решений, а также анализировать качество моделей и влиять на метрики безопасности и надёжности
Больше об ML в Яндексе — в канале Yandex for ML