Мы создаём технологию восстановления конструкторской документации по старым архивным чертежам.
На входе — комплект отсканированных документов: чертежи деталей и сборок, спецификации, электрические схемы, технические требования и рукописные изменения. На выходе должна получаться восстановленная цифровая модель изделия: структурированные данные, 3D-модели деталей и сборки, а затем современная конструкторская документация для дальнейшей работы инженеров и производства.
Ищем ведущего ML-инженера, который возьмёт на себя техническую реализацию этой системы.
Это роль с большой самостоятельностью. Нужно будет не обслуживать готовую модель, а спроектировать и собрать работающий ML-контур: от обработки исходных документов до передачи восстановленной информации в CAD. Конкретная архитектура не зафиксирована — её предстоит выбрать и реализовать.
Что предстоит делать:
-
Спроектировать сквозную систему восстановления КД по архивным документам;
-
Научить систему извлекать из чертежей геометрию, размеры, обозначения, состав изделия и технические требования;
-
Разрабатывать, обучать и дообучать модели компьютерного зрения и мультимодальные модели под наши данные;
-
Работать с низкокачественными сканами, рукописными исправлениями, зачёркиваниями и неполными комплектами документов;
-
Связать результаты распознавания с построением 3D-моделей и дальнейшей работой в CAD;
-
Использовать готовые модели и открытые разработки там, где это оправдано, и создавать собственные решения там, где готовых нет;
-
Собрать отдельные модели и инструменты в единый воспроизводимый конвейер;
-
Довести систему от исследовательского прототипа до обработки реальных комплектов документации;
-
Организовать автоматическую проверку результата и передачу сложных случаев инженеру;
-
По мере развития проекта участвовать в формировании ML-команды и руководить её технической работой.
Кого мы ищем:
-
Сильного практикующего ML-инженера с опытом в Computer Vision;
-
Уверенное владение Python и PyTorch;
-
Опыт самостоятельного обучения и дообучения моделей на собственных данных;
-
Понимание современных архитектур компьютерного зрения и мультимодальных моделей;
-
Опыт построения полного ML-контура: данные, обучение, инференс, интеграция и эксплуатация;
-
Умение разбираться в исследовательских работах и переносить подходы из статей в рабочий код;
-
Способность проектировать систему целиком, а не только улучшать отдельную модель;
-
Готовность лично писать код и доводить решения до работающего результата;
-
Самостоятельность в технических решениях и ответственность за итог проекта.
Нам важнее реализованные системы и личный вклад кандидата, чем формальное количество лет опыта.
Будет плюсом:
-
OCR и Document AI;
-
Обработка инженерных чертежей, схем, карт или других технических изображений;
-
Raster-to-vector и извлечение геометрических примитивов;
-
Геометрическое компьютерное зрение и восстановление 3D;
-
Синтетические данные и domain randomization;
-
Vision Language Models и их дообучение;
-
CadQuery, OpenCASCADE, FreeCAD, КОМПАС-3D или другие CAD-системы;
-
Опыт технического руководства небольшой командой;
-
Опыт создания ML-продукта с нуля.
Не требуется уже знать ЕСКД или быть инженером-конструктором. Для предметной части будут доступны специалисты и исходные документы.
Эта позиция не подойдёт кандидату, чей опыт ограничен подключением готовых API, промптингом или сборкой стандартных RAG-систем без обучения собственных моделей.
Что предлагаем:
-
Возможность возглавить разработку новой технологии на стыке ML, компьютерного зрения и промышленной инженерии;
-
Прямое влияние на архитектуру и технические решения;
-
Работу с реальными архивными документами и понятным конечным результатом;
-
Доступ к вычислительным ресурсам и бюджету на эксперименты;
-
Прямое взаимодействие с основателями проекта и предметными специалистами;
-
Удалённую работу по РФ;
-
Полную занятость;
-
Формат оформления обсуждается.
Как проходит отбор:
-
Короткое знакомство;
-
Технический разговор о реализованных кандидатом ML-системах и его личном вкладе;
-
Совместный разбор задачи проекта с технической командой;
-
Финальное обсуждение условий и зоны ответственности.
В отклике просим прислать резюме, GitHub или описание реализованных ML/CV-проектов. Особенно интересны примеры, где вы самостоятельно прошли путь от исходных данных и обучения моделей до работающей системы.
