Этот проект находится на пересечении компьютерного зрения и классической инженерии данных.
Мы создаем систему компьютерного зрения, которая сопоставляет большие промышленные сканированные изображения со структурированными записями и отмечает несоответствия для человеческой проверки.
Что нам нужно:
- Сильные навыки в Python + PyTorch; солидные классические основы компьютерного зрения (не только глубокое обучение — предобработка изображений, сегментация, работа с 16-битными научными изображениями)
- Практический опыт обучения и дообучения современных моделей зрения (обнаружение, самонаблюдаемые основы, обнаружение аномалий)
- Уверенность в построении всей цепочки в одиночку: загрузка данных, PostgreSQL, инженерия признаков, обучение, оценка, развертывание
- Строгие привычки оценки — вы знаете, почему хорошее эталонное число может быть обманчивым, и как разрабатывать тесты, которые этого не делают
- Прагматичный подход: готовы отправить простые статистические базовые модели, прежде чем обращаться к более крупной модели
Будет плюсом: опыт в медицинской/промышленной/научной визуализации, опыт развертывания на месте или на краю, опыт обучения с полунатуральной или слабой разметкой.
Больше деталей о предпочтительном стеке:
Основной: Python 3.11+, NumPy/SciPy, scikit-image + OpenCV (предобработка), pydicom/DICOS ридер, если сырье — DICOS, PyTorch + timm + transformers, albumentations, POT (оптимальный транспорт), scikit-learn (слияние, калибровка), pycocotools.
Данные: Postgres 16 + pgvector, разделенные по месяцам; Parquet для таблиц признаков; DuckDB для анализа над Parquet (быстро, без сервера); DVC или LakeFS для версионирования изображений/наборов данных; Alembic для миграций.
Оркестрация и отслеживание: Prefect или Dagster для пайплайнов, MLflow для экспериментов, FastAPI + работник Redis/RQ для развертывания.