ML Engineer - video & industrial data

O projekcie:
PackGuru to platforma AI dla produkcji, która pomaga zakładom FMCG i kosmetycznym lepiej rozumieć, co dzieje się na ich liniach pakujących, i szybciej reagować na problemy.

Łączymy dane z maszyn (PLC), obraz z kamer analizowany na urządzeniach brzegowych NVIDIA oraz wiedzę techniczną zakładu (dokumentację, procedury, rozwiązane przypadki awarii) w jeden system wspierający operatorów, techników i inżynierów w codziennej pracy.

Po co to robimy?

Fabryki mają dziś mnóstwo danych, ale wciąż brakuje im odpowiedzi na proste pytania: dlaczego linia stanęła, co było przyczyną straty i jak to naprawić, zanim się powtórzy.

Wiedza o maszynach często żyje w głowach kilku doświadczonych osób. PackGuru zamienia surowe sygnały i rozproszoną wiedzę w konkretne wskazówki, dostępne dla każdego na zmianie, także w zakładach, gdzie brakuje lokalnych ekspertów.

Blisko współpracujemy z Unilogo, producentem linii i maszyn pakujących. Dzięki temu nasze rozwiązania powstają z pełnym dostępem do wiedzy o konstrukcji maszyn i ich oprogramowaniu sterującym, a nie wyłącznie „z zewnątrz”. Nasz system działa produkcyjnie w fabrykach globalnych koncernów FMCG w Stanach Zjednoczonych, Meksyku i Brazylii. To prawdziwe linie, prawdziwe dane i prawdziwy wpływ na wyniki produkcji.

Jesteśmy małym, dynamicznym zespołem, który rozwija się bardzo szybko.

U nas nie ma długich łańcuchów decyzyjnych. Twoja praca trafia na produkcję w ciągu tygodni, nie kwartałów, a Ty masz realny wpływ na kierunek rozwoju produktu.

Intensywnie korzystamy z LLM, zarówno w samym produkcie, jak i w codziennej pracy zespołu, ale robimy to z rozsądkiem: tam, gdzie faktycznie dają przewagę, a nie dlatego, że jest na nie moda.

Tam, gdzie lepiej sprawdza się klasyczne ML, deterministyczna logika lub dobrze zaprojektowany algorytm, wybieramy właśnie je.

Szukamy osoby, która chce budować systemy działające w fizycznym świecie, od kamery i sterownika maszyny aż po model i asystenta AI, i której nie przeraża połączenie inżynierii oprogramowania z halą produkcyjną.

Wymagania:
Must-have:

- Min. 3 lata doświadczenia jako ML Engineer, Computer Vision Engineer lub w podobnej roli, z modelami uruchomionymi produkcyjnie, a nie tylko w notebooku.
- Znajomość Pythona i praktyczne doświadczenie z PyTorch.
- Doświadczenie w computer vision: detekcja, segmentacja lub analiza wideo (np. YOLO lub podobne architektury).
- Doświadczenie z platformami NVIDIA Edge (Jetson) i optymalizacją modeli pod inferencję (TensorRT, ONNX, kwantyzacja).
- Znajomość przetwarzania strumieni wideo (GStreamer, DeepStream, RTSP, kodowanie H.264/H.265).
- Doświadczenie w budowie i utrzymaniu potoków danych, w tym danych szeregów czasowych (PostgreSQL / TimescaleDB lub podobne).
- Swobodna praca w Linuksie, z Dockerem i Gitem.
- Samodzielność i umiejętność doprowadzania tematów do końca w małym zespole.
- Język angielski na poziomie umożliwiającym pracę z dokumentacją i komunikację z klientami zagranicznymi.

Mile widziane:

- Doświadczenie z danymi przemysłowymi: PLC, OPC-UA, MQTT, sygnały maszynowe.
- Znajomość metod analizy szeregów czasowych, wykrywania anomalii lub predictive maintenance (np. trendy parametrów, kondycja napędów).
- Doświadczenie z LLM, RAG lub grafami wiedzy, w tym ewaluacja jakości odpowiedzi asystentów AI.
- Znajomość C# / .NET.
- Doświadczenie z chmurą (GCP) i podejściem MLOps: wersjonowanie modeli, monitoring, automatyczny retrening.
- Doświadczenie z pracą na liniach produkcyjnych lub w środowisku fabrycznym (FMCG, pakowanie).
- Gotowość do okazjonalnych wyjazdów na wdrożenia u klientów, także za granicą.

Codzienne zadania:
- Utrzymywanie i rozwijanie potoków danych z linii produkcyjnych: dane z PLC, strumienie z kamer oraz przetwarzanie wideo na urządzeniach NVIDIA.
- Projektowanie, trenowanie i wdrażanie algorytmów analizy wideo działających na urządzeniach brzegowych (Jetson), w tym ich optymalizacja pod kątem wydajności i niezawodności.
- Budowa potoku dla kolejnych modeli ML na danych maszynowych, np. analiza trendów parametrów i ocena kondycji napędów na podstawie momentu obrotowego, od eksploracji danych po wdrożenie produkcyjne.
- Utrzymanie i rozwój warstwy LLM i grafu wiedzy, w tym regularna ewaluacja jakości odpowiedzi asystenta AI.
- Współtworzenie procesora telemetrii: interpretacja sygnałów maszynowych, definiowanie stanów i zdarzeń maszyn, wykrywanie przyczyn strat na linii.
- Monitorowanie działania modeli w produkcji, wykrywanie degradacji i planowanie retreningu.
- Współpraca z zespołem automatyki i inżynierami po stronie klienta przy zbieraniu danych i walidacji wyników.
- Udział we wdrożeniach na liniach produkcyjnych klientów, zdalnie i na miejscu.
- Dokumentowanie rozwiązań i dzielenie się wiedzą w zespole.