Откликайтесь
на вакансии с ИИ

Senior AI Research Engineer - Computer Vision
Интересный deep-tech проект на стыке наук с международной командой. Вакансия предлагает работу над реальными продуктами, а не просто теоретические исследования, что ценно для карьеры. Однако отсутствие указания конкретной вилки зарплаты и названия компании немного снижает прозрачность.
Сложность вакансии
Высокая сложность обусловлена требованиями к Senior-уровню, наличию научной степени (MSc/PhD) и необходимости совмещать глубокий ресерч с качественной инженерной разработкой. Требуется свободный английский и опыт работы с узкоспециализированными данными (биология, специфические изображения).
Анализ зарплаты
Для позиции Senior AI Research Engineer в Европе или Азии предлагаемый уровень ответственности соответствует рыночным ожиданиям. В Европе зарплаты для таких ролей обычно начинаются от 70-80k евро, в то время как в технологических хабах Азии (например, Сингапур) они могут быть выше.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь уже сейчас
Присоединяйтесь к передовому deep-tech проекту и создавайте AI-решения на стыке биологии и компьютерного зрения!
Описание вакансии
🔥 Senior AI Research Engineer - Computer Vision
We are looking for 2 Senior AI Research Engineers to join an international deep-tech project focused on AI solutions for aquaculture.
The company develops AI-powered systems at the intersection of computer vision, biology, and specialized imaging, helping detect, identify, and predict traits of aquatic species.
📍 Location: EU or Asia
💼 Seniority: Senior / Expert
🇬🇧 Language: English
🎓 MSc / PhD preferred, strong BSc candidates with equivalent industrial experience are also welcome
MUST HAVE
— 4+ years of experience in Machine Learning / AI research or engineering
— Strong hands-on experience in Computer Vision and image/video processing
— Strong Python skills
— Experience with PyTorch, scikit-learn, SciPy, Matplotlib or similar ML frameworks
— Strong understanding of data structures, data modeling, and software architecture
— Ability to take research ideas from POC to working prototype
— Experience designing and running experiments
— Strong understanding of model testing and statistical validation
— Clean, robust, and efficient coding skills
— Strong English communication and presentation skills
Responsibilities
— Design and implement ML and classical computer vision algorithms
— Develop POCs and working prototypes
— Plan and conduct experiments around business and research questions
— Build data processing and training pipelines
— Extend existing ML / DL frameworks and codebases
— Develop model testing and statistical verification processes
— Document experiments and research findings
— Lead long-term applied research activities
— Stay up to date with the latest AI/ML developments
— Support recruitment of additional AI talent
Nice to Have
— Production ML / AI deployment experience
— CUDA / ONNX / TensorRT
— Docker / Kubernetes
— SQL / MongoDB
— AWS / Azure / GCP
— MLOps: MLflow, DVC, Metaflow, Databricks
— CI/CD tools
— Experience with networking / message-passing protocols
This role is a strong fit for someone who combines research depth with hands-on engineering and enjoys turning advanced computer vision ideas into real-world products.
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- AWS
- Azure
- Python
- Matplotlib
- GCP
- PyTorch
- SQL
- Kubernetes
- CI/CD
- Computer Vision
- Scikit-learn
- Docker
- MLflow
- CUDA
- MongoDB
- DVC
- TensorRT
- SciPy
- ONNX
Возможные вопросы на собеседовании
Проверка глубины понимания архитектур для специфических задач CV.
Какие архитектуры и методы предобработки вы бы использовали для работы с изображениями в водной среде, учитывая искажения света и низкую контрастность?
Оценка навыка доведения идеи до продукта.
Расскажите о самом сложном переходе от POC к прототипу: с какими техническими долгами или проблемами масштабирования вы столкнулись?
Проверка математической базы и навыков валидации.
Как вы подходите к статистической валидации моделей, если объем данных ограничен или они сильно несбалансированы?
Оценка инженерной культуры.
Как вы обеспечиваете воспроизводимость экспериментов в своих проектах и какие инструменты (например, DVC, MLflow) предпочитаете использовать?
Проверка навыков оптимизации.