Machine Learning feljesztő

Feladatok

• Machine learning és computer vision megoldások fejlesztése járműfelismerési és közlekedési alkalmazásokhoz.
• Modellek és adatfeldolgozási folyamatok tervezése, implementálása, tanítása és kiértékelése.
• MLOps folyamatok fejlesztése és használata: reprodukálható tréning- és kiértékelési pipeline-ok, kísérletek követése, automatizálás és a modellek megbízható továbbítása a fejlesztéstől a felhasználásig.
• Adatminőségi és modellhibák feltárása, mérések és kísérletek megtervezése.
• Meglévő neurális hálózati modellek továbbfejlesztése, optimalizálása és új megközelítések kipróbálása.
• Együttműködés C++/edge inference és adatplatform oldali fejlesztőkkel, hogy a modellek valódi termékben is működjenek.
• Saját feladatok önálló végigvitele: probléma megértése, megoldási javaslat, megvalósítás, mérés, dokumentálás és eredmények bemutatása.

Elvárások

• Stabil Python tudás és alapvető szoftverfejlesztési ismeretek.
• Machine learning / deep learning alapok ismerete; neurális hálózatok tanításának és kiértékelésének megértése.
• Önálló és strukturált munkavégzés: képes a rábízott feladat célját megérteni, a szükséges lépéseket megtervezni és a feladatot megfelelő szakmai egyeztetések mellett végigvinni.
• Kezdeményezőkészség és felelősségvállalás: aktívan keresi a megoldási lehetőségeket, saját javaslatokat fogalmaz meg, és felelősséget vállal a rá bízott feladatok előrehaladásáért és eredményéért.
• Fejlődési és tanulási motiváció, nyitottság új technológiák, modellek és eszközök önálló elsajátítására.
• Együttműködő és transzparens kommunikáció: rendszeresen és érthetően jelzi az előrehaladást, a bizonytalanságokat és az esetleges akadályokat, szükség esetén időben kér segítséget.
• Alapvető Git használat és csapatban történő fejlesztésre való nyitottság.

Előnyt jelent

• Computer vision projektek vagy egyetemi / saját ML projekt.
• TensorFlow/Keras, PyTorch vagy hasonló framework gyakorlati ismerete.
• C++ ismeret, illetve érdeklődés production vagy edge inference iránt.
• Docker, Linux, Kubernetes vagy MLOps eszközök ismerete.
• Modelloptimalizálás, kvantálás, TFLite vagy edge eszközök terén szerzett tapasztalat.
• Adatfeldolgozásban, mérési módszerekben vagy modellkiértékelésben szerzett tapasztalat.
• Saját projekt, TDK, szakdolgozat, verseny vagy open-source munka, ahol önállóan vittél végig egy problémát.

Amit kínálunk

Valós, ipari computer vision és machine learning problémákon dolgozhatsz, nagy mennyiségű valós adaton, olyan modelleken, amelyek működő termékekben kerülnek felhasználásra.

A munka nem ér véget egy modell betanításával: az adatok megértésétől és a kísérletek megtervezésétől a modellfejlesztésen, MLOps folyamatokon és optimalizáláson át egészen a production és edge környezetig követheted végig a megoldások életciklusát.

A feladatok mélysége és az önállóság mértéke igazodik a tapasztalatodhoz. Pályakezdőként támogatást kapsz a szakmai fejlődéshez, néhány év releváns tapasztalattal pedig lehetőséged lesz összetettebb problémák önálló végigvitelére, technikai megoldások kialakítására és egy-egy terület nagyobb szakmai felelősségének átvételére.

Kis, tapasztalt mérnöki csapatban dolgozhatsz, ahol számítanak a saját ötleteidre és szakmai javaslataidra. Nem kész receptek végrehajtását várjuk: fontos számunkra, hogy értsd a problémát, mérlegeld a lehetőségeket, és aktívan alakítsd a megoldást.

Nem várjuk el, hogy minden felsorolt technológiát már ismerj. Fontosabb számunkra a stabil műszaki alap, a kíváncsiság, a tanulási hajlandóság és az, hogy szeress egy problémát megérteni és valódi eredményig elvinni.