- Страна
- Россия
CV-инженер (техлид) в службу AI-сервисов Лавки
Оценка ИИВысокий балл обусловлен сильным брендом работодателя (Яндекс), амбициозными задачами на стыке AI и реального бизнеса, а также отличным социальным пакетом. Вакансия предлагает реальное влияние на продукт и высокую степень автономности.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль техлида подразумевает полную техническую ответственность за CV-направление, включая архитектуру и деплой. Требуется не только глубокая экспертиза в Computer Vision, но и навыки MLOps, а также умение работать с видеоаналитикой в реальном времени.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, но для позиции техлида в области AI/CV в Яндексе рыночные ожидания составляют от 450 000 до 700 000 рублей в месяц плюс бонусы и опционы. Это соответствует верхнему сегменту рынка РФ для высококвалифицированных инженеров.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
*🍫 CV-инженер (техлид) в службу AI-сервисов Лавки*
Привет! Меня зовут Алена, и я руковожу AI в Яндекс Лавке. Лавка, с одной стороны, очень операционный, а с другой — очень технологичный сервис, и мы работаем на стыке этих направлений.
Алена Зайцева
Руководитель службы AI Лавки
Яндекс Лавка — сервис быстрой доставки товаров из дарксторов. Мы ищем на техлидскую IC-роль сильного CV-инженера, который целиком возьмёт на себя техническую ответственность за создание и развитие CV-решений для операционных процессов.
Какие задачи вас ждут:
• Ведение CV-решений end-to-endВам предстоит вести весь технический контур от выбора подхода и архитектуры до продакшна: определять, где достаточно анализа изображений, а где нужен видеоанализ, решать, когда подходят готовые модели, а когда требуется дообучение.
• Детекция нарушений по камерам в дарксторахВы будете разрабатывать решения, которые автоматически выявляют отклонения в корректности хранения товара, соблюдении норм гигиены, правил пожарной безопасности и других операционных требований.
• Написание кода и сборка пайплайновВам нужно будет писать продакшн-код, собирать пайплайны обработки и инференса, доводить решения до стабильной работы в продакшне.
• Баланс качества, стоимости и надёжностиВажно уметь смотреть на задачу с точки зрения не только качества модели, но и стоимости инфраструктуры, надёжности и сложности внедрения.
Мы ждём, что вы:• Работали с видеоаналитикой или готовы в неё погружаться
• Имеете сильный опыт в computer vision
• Умеете самостоятельно вести CV-проекты от идеи до продакшна
• Разрабатываете на Python, владеете фреймворками
• Понимаете, как устроены MLOps-пайплайны и деплой моделей
Будет плюсом, если вы:• Работали с real-time-видеоаналитикой
• Оптимизировали модели
• Разворачивали CV-решения в промышленных или операционных средах
Наши бонусы:В Яндексе корпоративная подписка на хорошую жизнь — чекапы, спорт, терапия, образовательные курсы и многое другое. Это не все бонусы — полный список тут.
*📩* Откликнуться на нашем сайте
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Computer Vision
- Python
- MLOps
- Video Analytics
- Deep Learning
- Model Optimization
Возможные вопросы на собеседовании
Вакансия предполагает работу с камерами в дарксторах, где критически важна скорость обработки.
Какие методы оптимизации инференса CV-моделей для real-time видеоаналитики вы использовали на практике?
Техлид должен отвечать за весь цикл разработки.
Опишите ваш опыт построения MLOps-пайплайна: от сбора данных и разметки до мониторинга модели в продакшне.
В описании указано, что важно учитывать стоимость инфраструктуры.
Как вы подходите к выбору между облачным инференсом и edge-вычислениями при масштабировании системы видеоаналитики на сотни объектов?
Задача детекции нарушений в дарксторах может быть специфичной.
Как бы вы решали проблему нехватки размеченных данных для редких типов нарушений (например, правил пожарной безопасности)?
Роль подразумевает выбор архитектуры.
В каких случаях для анализа видеопотока вы бы предпочли использовать 3D-CNN, а в каких — комбинацию 2D-детектора и RNN/Transformer?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
