Machine Learning Engineer (k/m)

Nasze wymagania: Min. 3 lata doświadczenia (komercyjnego lub naukowego) w obszarze Machine Learning / Deep Learning, ze szczególnym uwzględnieniem Computer Vision i/lub NLP. Biegła znajomość języka Python oraz wiodących frameworków Deep Learningowych (przede wszystkim PyTorch). Praktyczna znajomość algorytmów analizy obrazu (np. OpenCV, frameworki do detekcji) oraz architektur takich jak Transformers, GANs, CNN/TCN. Doświadczenie w pracy ze środowiskami GPU oraz umiejętność samodzielnego prowadzenia i rzetelnego dokumentowania eksperymentów (np. Weights & Biases, MLflow). Umiejętność przekładania problemów badawczych na działające prototypy (Proof of Concept). O projekcie: Pracujemy nad zaawansowanymi rozwiązaniami z obszaru sztucznej inteligencji, łączącymi Computer Vision, NLP oraz Generative AI. Projekty mają charakter badawczo-rozwojowy oraz komercyjny i obejmują m.in. analizę obrazu i wideo (detekcja, tracking, estymacja pozy), modele sekwencyjne oparte o transformery oraz systemy generatywne (GANs, diffusion models, text-to-X). Zespół skupia się na implementacji i rozwijaniu nowoczesnych metod deep learning oraz wdrażaniu rozwiązań opartych o najnowsze osiągnięcia naukowe (SOTA). Zakres obowiązków: Research & Development: Prowadzenie prac badawczych i eksperymentów z wykorzystaniem najnowocześniejszych architektur Deep Learning. Analiza literatury naukowej i implementacja rozwiązań typu State-of-the-Art (SOTA). Computer Vision: Implementacja, walidacja i optymalizacja modeli analityki obrazu i wideo (m.in. estymacja pozy, detekcja i śledzenie obiektów/cech, analiza ruchu i redukcja artefaktów). Modelowanie Sekwencyjne i NLP: Przetwarzanie i analiza danych sekwencyjnych. Rozwój modeli transformacyjnych oraz praca nad problemami translacji lub mapowania sekwencji na inne reprezentacje. Generative AI: Projektowanie i trenowanie modeli generatywnych (np. GANs, modele dyfuzyjne, architektury Text-to-X) dla danych multimodalnych. Ewaluacja i Walidacja: Definiowanie odpowiednich miar jakości, implementacja złożonych funkcji straty oraz budowa dedykowanych pipeline'ów testowych do oceny skuteczności modeli.