MLOps инженер

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.