- Страна
- Россия
- Зарплата
- до 200 000 ₽
Откликайтесь
на вакансии с ИИ
ML / Computer Vision Engineer
Оценка ИИИнтересный и современный стек технологий (Generative AI, Diffusion models), работа над конкретным продуктовым кейсом и возможность удаленной работы. Зарплата соответствует рынку для уровня Middle, а задачи обещают быстрый профессиональный рост.
Сложность вакансии
Оценка ИИПозиция требует уверенных знаний в узкой нише (Generative AI и CV) при относительно невысоком пороге входа по общему стажу (от 1 года). Основная сложность заключается в необходимости совмещать навыки ML-исследователя и Backend-разработчика для вывода моделей в продакшн.
Анализ зарплаты
Оценка ИИПредложенная зарплата до 200 000 ₽ на руки соответствует среднему уровню для Middle ML-инженеров в России. На рынке Москвы и для удаленных позиций в крупных компаниях специалисты с опытом в Generative AI могут претендовать на суммы до 250 000 - 300 000 ₽, однако для кандидата с опытом от 1 года это достойное предложение.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в EvApps уже сейчас
Отправьте свое резюме Яне в Telegram с пометкой [Computer Vision], чтобы присоединиться к команде EvApps!
Описание вакансии
#вакансия #ML #ComputerVision #Python #удаленка #EvApps
🧠 ML / Computer Vision Engineer
Компания: EvApps
Зарплата: до 200 000 ₽ на руки
Удаленно, РФ
Полная занятость
📰 Компания EvApps приглашает ML-инженера с опытом в Computer Vision и генеративных моделях для разработки сервиса автоматического размещения оборудования на изображениях помещений.
🎯 Задачи проекта:
Разработка сервиса с админ-панелью, который: принимает изображения помещений позволяет задавать список оборудования автоматически размещает оборудование на изображении с учётом логики сцены сохраняет результат и передаёт его в downstream-системы (service desk) интегрируется с ботами (Telegram, VK и др.)
✅ Требования:
Опыт:
Работа ML-инженером / Computer Vision Engineer от 1 года
Разработка и внедрение ML/AI решений в продакшн
Практический опыт решения задач Computer Vision и генеративных моделей
🛠Технические навыки:
Уверенное знание Python, опыт написания продакшн-кода
Computer Vision: работа с изображениями (детекция, сегментация, обработка), понимание геометрии сцены и контекста изображения
Deep Learning: PyTorch (приоритетно), TensorFlow / Keras
Generative AI: diffusion models, image-to-image подходы
Библиотеки: numpy, pandas, opencv, pillow, matplotlib / seaborn
Разработка и архитектура:
Опыт интеграции ML-моделей в сервисы (FastAPI / Flask)
Опыт построения inference-сервисов, работа с REST API
Понимание микросервисной архитектуры
Docker, Linux (bash, CLI), Git
Базовое понимание CI/CD
Базы данных:
PostgreSQL / MySQL
Понимание хранения изображений и результатов
Работа с данными:
Опыт работы с датасетами изображений: подготовка, разметка, аугментации
Работа с ограниченными данными
Понимание: как корректно добавлять объекты в изображение, учитывая ограничения сцены
➕ Будет плюсом:
Опыт со Stable Diffusion / ControlNet / Inpainting
MLflow / Weights & Biases
ONNX / TensorRT / оптимизация моделей
Опыт продакшн-деплоя моделей с мониторингом
Опыт интеграции ботов (Telegram, VK и др.)
Откликнуться с пометкой [Computer Vision] 👋 Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Git
- Python
- Linux
- NumPy
- Pandas
- OpenCV
- PyTorch
- PostgreSQL
- Computer Vision
- Diffusion Models
- Docker
- MySQL
- TensorFlow
- MLflow
- FastAPI
- Flask
- TensorRT
- Stable Diffusion
- ONNX
- Keras
- ControlNet
- Inpainting
Возможные вопросы на собеседовании
Проект предполагает встраивание объектов в сцену. Важно понять, как кандидат обеспечит реалистичность.
Как бы вы подошли к задаче сохранения правильного освещения и теней при добавлении нового объекта на изображение помещения с помощью генеративных моделей?
Вакансия упоминает работу с ограниченными данными. Проверка навыков работы в условиях дефицита разметки.
Какие методы аугментации данных и стратегии обучения вы бы использовали, если бы у нас было всего 100-200 качественных изображений помещений?
В стеке указаны FastAPI и Docker. Проверка навыков деплоя.
Опишите процесс оптимизации инференса тяжелой диффузионной модели для работы в REST-сервисе с приемлемым временем отклика.
Упоминается ControlNet и Inpainting. Проверка владения современными инструментами.
В чем преимущество использования ControlNet по сравнению со стандартным Inpainting при необходимости точного позиционирования оборудования?
Проверка понимания геометрии сцены.
Как программно определить корректный масштаб добавляемого объекта, основываясь только на 2D-изображении комнаты?
Похожие вакансии
Senior AI Researcher (Retail / Agents)
Data Scientist (Senior)
Data Engineer+ML
AI-тренер (автор текстов)
Senior Data Scientist (Computer Vision / GenAI)
MLE (Machine Learning Engineer)
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!