- Страна
- Россия
Senior ML Researcher/Engineer в команду робота доставки
Оценка ИИИсключительная вакансия в одной из ведущих технологических компаний с возможностью работать над передовыми технологиями (World Models, MBRL) и видеть реальный результат на улицах города. Отличный соцпакет и амбициозные цели по масштабированию проекта.
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 требует экспертных знаний на стыке ML Research и Engineering: от глубокого понимания архитектур DiT и MBRL до навыков низкоуровневой оптимизации инференса на edge-устройствах. Высокая планка входа обусловлена сложностью задач автономного вождения в реальном времени.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредлагаемая позиция Senior ML в Яндексе обычно предполагает компенсацию выше среднего по рынку РФ, учитывая уникальность стека (JAX, World Models) и уровень ответственности. Рыночные оценки для Senior ML Researcher в топовых бигтехах начинаются от 450-500 тысяч рублей net.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*☺️ Senior ML Researcher/Engineer в команду робота доставки*
Роботы доставки Яндекса ежедневно доставляют тысячи заказов, маневрируя в сложной, неструктурированной городской среде. Мы активно растём и планируем масштабировать флот до 20 000 роботов к 2028 году. Ищем в core-команду Senior ML Engineer/Researcher, который сфокусируется на построении быстрой интерактивной модели мира и масштабном обучении MBRL-агентов.
Какие задачи вас ждут:
• Разработка и скейлинг World ModelsВам предстоит проектировать и обучать массивные 3D/видеотокенизаторы и бэкбоны на базе Diffusion Transformers (DiT), Flow Matching, etc.
• Distributed TrainingВы будете строить пайплайны для распределённого обучения тяжёлых foundation-моделей на нашем вычислительном кластере.
• Model-Based RL (MBRL) & PlanningВашей задачей будет обучение чистого RL и политик IL + RL внутри замороженной латентной симуляции World Model.
• Representation ShapingПредстоит заниматься интеграцией вспомогательных лоссов для perception-задач 3D-детекции, сегментации, трекинга.
• Safety & InferenceВы будете строить надёжный safety-контур поверх выходов модели и готовить всю конструкцию к реалтайм-инференсу прямо на edge-девайсах робота.
Мы ждём, что вы:• На экспертном уровне владеете JAX и PyTorch
• Имеете навыки масштабного распределённого обучения
• Имеете глубокую математическую и ML-базу
• Способны писать, генерировать и проверять быстрый оптимизированный код
Будет плюсом, если вы:• Работали с Vision Foundation Models, генеративными видео- и image-моделями, синтезом лидарных облаков
• Имеете опыт в Reinforcement Learning
• Обладаете опытом продвинутой квантизации тяжёлых трансформеров или диффузионных моделей для edge-девайсов
• Оптимизировали инференс «на борту» робота
• Имеете бэкграунд в Autonomous Driving, Motion Planning или Robotics
Почему у нас хорошо:
С нами легко развиваться. Если для рабочих задач вам нужно подтянуть язык — организуем обучение и оплатим 50% стоимости. Это не все бонусы — полный список тут.
*📩* Откликнутьсяна нашем сайте
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- JAX
- PyTorch
- Reinforcement Learning
- Distributed Training
- Diffusion Transformers
- Flow Matching
- Model-Based RL
- Computer Vision
- Autonomous Driving
- Robotics
- Quantization
- Inference Optimization
Возможные вопросы на собеседовании
Проверка понимания современных генеративных архитектур и их применимости к видеоданным.
В чем заключаются основные преимущества и сложности использования Diffusion Transformers (DiT) по сравнению с классическими U-Net архитектурами при моделировании динамики мира?
Оценка навыков работы с большими данными и вычислительными кластерами.
Расскажите о вашем опыте настройки распределенного обучения (Distributed Data Parallel, FSDP). С какими узкими местами в пропускной способности сети вы сталкивались?
Проверка знаний в области обучения с подкреплением в латентных пространствах.
Как вы предлагаете бороться с проблемой 'model exploitation' в Model-Based RL, когда агент находит лазейки в несовершенной World Model вместо обучения реальной политике?
Оценка практических навыков оптимизации для специфического железа.
Какие методы квантизации и прунинга вы бы применили для запуска тяжелого трансформера на edge-девайсе с ограниченным энергопотреблением без значительной потери точности?
Проверка понимания специфики робототехники и безопасности.
Как интегрировать safety-контур в систему, основанную на нейросетевом планировании, чтобы гарантировать предсказуемое поведение робота в критических ситуациях?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
