Senior ML Engineer, Data Flywheel

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

ML-инженер в команду Irvine, отвечающий за data flywheel автономных роботов: превращение больших объёмов полевых данных в качественные обучающие датасеты. Роль на стыке ML- и data-инженерии, в тесной работе с исследователями perception/autonomy и платформенными командами.

Задачи

• Строить и поддерживать пайплайны, превращающие данные роботов в готовые к обучению ML-датасеты
• Автоматизировать обработку, фильтрацию, отбор, трансформацию, разметку и генерацию датасетов
• Разрабатывать масштабируемые batch- и offline-инференс-пайплайны для авторазметки и data mining
• Строить системы отбора полезных и сложных примеров из больших объёмов данных роботов
• Интегрировать ручную и модельно-ассистированную/автоматическую разметку в воспроизводимые data-воркфлоу
• Внедрять проверки качества данных и валидацию датасетов
• Строить воспроизводимые и версионируемые пайплайны генерации датасетов
• Улучшать инкрементальную генерацию датасетов, чтобы новый опыт роботов эффективно питал следующие циклы обучения
• Совместно с исследователями переводить экспериментальную логику обработки данных в надёжные продакшн-пайплайны
• Измерять и повышать эффективность цикла от нового опыта робота до пригодных обучающих данных

Требования

• Сильные навыки Python и software engineering
• Опыт построения ML/data-processing пайплайнов
• Понимание конструирования ML-датасетов и процессов обучения
• Опыт обработки больших датасетов с использованием распределённых или параллельных вычислений
• Опыт с object storage, Parquet или аналогичными форматами, workflow-системами и облачными вычислениями
• Умение связывать исследовательский ML-код и надёжные продакшн-системы
• Сильное понимание качества данных и воспроизводимости

Условия

• Щедрый зарплатный диапазон с учётом индивидуального опыта и рыночных условий Irvine, California
• Работа в кампусе в Irvine, в центре робототехнической экосистемы Южной Калифорнии
• Тестирование систем на реальном железе и сенсорах, реальные полевые деплойменты
• Команда с опытом из DeepMind, NASA JPL, Boston Dynamics, NVIDIA, Amazon, Tesla Autopilot, Cruise, Zoox, Toyota Research Institute и SpaceX
• Инклюзивная рабочая среда и оценка по заслугам, квалификации и результатам

Навыки

• Python
• ML pipelines
• Data pipelines
• Distributed computing
• Parallel computing
• Object storage
• Parquet
• Workflow systems
• Cloud compute
• Auto-labeling
• Active learning
• Hard-example mining
• Data selection
• Computer vision
• Perception
• Robotics
• Multimodal ML
• LiDAR
• Point clouds
• Ray
• Spark