← К каталогу
NA

Navio

Инженер данных

ГибридУровень не указанМосква, Россия7 дн. назад
СИГНАЛ JOBRADAR68/100Нормальный сигнал актуальности
ПАСПОРТ ВАКАНСИИ

Что JobRadar наблюдает сейчас

Балл строится только на фактах из источников: свежести подтверждения, возрасте записи и происхождении вакансии. Это не гарантия найма и не оценка работодателя.

Последнее подтверждение20 мин. назад
Впервые замечена7 дн. назад
Активные источники1 источник
ПроисхождениеПубличный источник
О ВАКАНСИИ

Описание вакансии

Чем предстоит заниматься:

  • Писать пайплайны на Python: от сырых данных с проездов до витрин и обучающих датасетов;
  • Считать метрики автономии: удержание в полосе, локализация, качество восприятия;
  • Собирать датасеты для нейросетей: фильтры, баланс, авторазметка, шаринг между командами;
  • Гонять инференс в проде на десятках GPU — авторазметка, эмбеддинги, каскады моделей;
  • Ускорять тяжёлую обработку;
  • Развивать внутренние библиотеки.

Что мы ждём от кандидата:

  • Опыт промышленной разработки на Python: читаемый production-код, ревью, тесты;
  • Хорошее знание SQL (джойны, оконные функции) и опыт работы с колоночными СУБД — у нас основной склад аналитики ClickHouse ;
  • Опыт работы с объектным хранилищем ( S3 / совместимым): чтение/запись больших объёмов, партиционирование, работа с путями и метаданными;
  • Опыт построения или поддержки data-пайплайнов в оркестраторах (Airflow, Dagster, Argo);
  • Готовность разбираться в доменных данных (rosbag / сенсоры / логи машин) и доводить пайплайны до стабильного продакшена.

Будет плюсом:

  • Практический опыт со Spark ;
  • Опыт с Kubernetes (джобы, ресурсы, дебаг падений подов) и/или Docker;
  • Запуск инференса / ML-шагов в пайплайнах: GPU, батчи, ClearML / аналог, torch;
  • Разработка внутренних Python-библиотек или data-platform компонентов;
  • знакомство с ROS / LiDAR.

Примеры реальных задач:

  • Спроектировать систему сбора и хранения данных для обучающего датасета с версионированием, с возможностью частичного пересчета, а также использованием преагрегатов и заданным SLA на обработку;
  • Синхронизировать данные, идущих с разной частотой: IMU 100 Гц, видео 30 Гц и лидар 10 Гц;
  • Реализовать систему семантического поиска похожих ситуаций с использованием эмбеддингов и векторных баз данных.

Здесь показан очищенный фрагмент описания из источника. Полные условия и актуальность вакансии проверьте на странице работодателя.

ИсточникHeadHunter / Developers / RU / between3And6