Senior AI Specialist

Nasze wymagania: - 4–8 lat doświadczenia w obszarze AI/ML - Bardzo dobra znajomość Python - Zaawansowana znajomość PyTorch - Doświadczenie w trenowaniu i dostrajaniu modeli do: detekcji obiektów i klasyfikacji obrazów - Bardzo dobra znajomość architektur CNN oraz nowoczesnych podejść (np. YOLO, EfficientNet, ResNet, Vision Transformers – mile widziane) - Doświadczenie w pracy z dużymi zbiorami danych obrazowych - Praktyczne doświadczenie z GPU (CUDA) - Umiejętność optymalizacji modeli (hyperparameter tuning, regularizacja, augmentacje, batch size, LR scheduling) - Umiejętność pracy z danymi: obrazowymi (OpenCV, PIL, NumPy) i tabelarycznymi (Pandas, Polars) - Umiejętność samodzielnego rozwiązywania problemów technicznych - Umiejętność czytania i implementowania rozwiązań z publikacji naukowych Mile widziane: - Doświadczenie z danymi geoprzestrzennymi - Doświadczenie w optymalizacji modeli pod środowisko produkcyjne - Udział w projektach end-to-end (od danych do deploymentu) - Publiczne repozytoria / projekty (GitHub, Kaggle) O projekcie: Szukamy Senior AI Specialist / Senior AI Developer, która/y przejmie odpowiedzialność za rozwój i jakość rozwiązań Computer Vision w organizacji. To rola dla osoby bardzo technicznej, samodzielnej i decyzyjnej — kogoś, kto rozumie pełny cykl tworzenia systemów AI i potrafi nie tylko trenować modele, ale również projektować architekturę rozwiązań oraz podnosić standard inżynieryjny zespołu. Główne cele roli - Projektowanie i rozwój zaawansowanych rozwiązań AI/ML w obszarze Computer Vision - Odpowiedzialność za jakość modeli i ich skuteczność w środowisku produkcyjnym - Standaryzacja procesu treningowego i eksperymentalnego - Wsparcie merytoryczne zespołu AI - Optymalizacja pipeline’ów treningowych i inferencyjnych Zakres obowiązków: - Projektowanie, trenowanie i optymalizacja modeli Computer Vision - Dobór architektur i podejść do problemów detekcji oraz klasyfikacji - Projektowanie pipeline’u danych (analiza jakości, czyszczenie, augmentacja) - Trening modeli deep learningowych i ich ewaluacja (metryki, walidacja, benchmarki) - Optymalizacja modeli pod kątem wydajności (GPU/CPU, inferencja, batch processing) - Współpraca z zespołem analitycznym i inżynierskim przy wdrożeniach - Dokumentowanie eksperymentów i budowanie reużywalnych komponentów - Udział w decyzjach technologicznych