Silny młodszy lub średni inżynier uczenia maszynowego w Artellence

W naszej pracy połączyliśmy najnowsze osiągnięcia branży AI, sfery obronnej i rozwiązywania ważnych problemów społecznych ukraińskiego społeczeństwa. Chcesz uczestniczyć w tworzeniu światowej klasy technologii i jednocześnie zwiększać potencjał obronny Ukrainy? Ty do nas! 

Dlaczego wakat powinien Cię zainteresować?

• Tworzymy własne narzędzia AI do analizy otwartych danych, m.in. technologię rozpoznawania twarzy, która jest jedną z najlepszych na świecie
• Analizujemy petabajty danych z otwartych źródeł, identyfikujemy grupy osób na podstawie zdjęć i budujemy ich cyfrowe ślady... Prawie jak w Black Mirror! Mamy ciekawą, nietypową i dużą motywację
• Na każdym stanowisku zapewniamy swobodę działania, „kreatywność”, a także stawiamy trudne zadania i pomagamy je rozwiązać, co pozwala bardzo szybko podnieś swoje umiejętności i zobacz efekty swojej pracy
• Mamy wysoki próg dołączenia do zespołu, co pozwala na współpracę z najlepszymi przy wspólnych zadaniach i wspólne generowanie nowych pomysłów
< /ul>

 

< strong>Wymagania techniczne:

• Doświadczenie komercyjne w MLE/DS od 1 roku lub doświadczenie w udanych prezentacjach na hackathonach/ Kaggle
• Głęboka znajomość algorytmów i struktur danych, głębokie zrozumienie OOP, głęboka wiedza teoretyczna i praktyczna z zakresu uczenia maszynowego i głębokiego uczenia się
• Wysoki poziom wiedzy o Pythonie, w tym doświadczenie z uczeniem maszynowym biblioteki i posiadanie co najmniej jednego frameworka do głębokiego uczenia się (Tensorflow, Keras, PyTorch)
• Doświadczenie w inżynierii funkcji
• Doświadczenie w Git i Dockerze
• NoSQL i SQL doświadczenie w bazach danych
• Doświadczenie w zadaniach NLP
><

 

Będzie plusem:

• Doświadczenie z MongoDB, Jupyter, Airflow i SQL
< li>Doświadczenie w rozpoznawaniu twarzy i obiektów
• Zrozumienie zasad równoległości w Pythonie i doświadczenie z odpowiednimi bibliotekami

 

Przykładowe problemy:

• Poprawa dokładności obecnych modeli
• Opracowywanie i wdrażanie modeli w środowiska produkcyjne