О компании.
RemedyLogic разрабатывает RAI — AI-ассистента, созданного вместе с американскими радиологами, для чтения МРТ позвоночника. RAI автоматизирует чтение исследования целиком: разметку и сегментацию анатомии, количественные измерения, поиск патологий и случайных находок, черновик заключения.
Объём МРТ позвоночника растёт быстрее, чем число радиологов, которые могут его прочитать. Наша цель — чтобы каждое исследование читалось быстрее, полнее и единообразнее, а врач тратил время на клиническое решение, а не на ручные измерения. Ваши модели будут каждый день работать на реальных клинических исследованиях, и их результаты попадают в заключения, на которые опираются врачи и пациенты.
О роли.
Это роль individual contributor: вы не управляете людьми и не передаёте задачи другим. Вы берёте продуктовую задачу, сами раскладываете её на части и доводите до готового к интеграции решения — от данных и модели до бизнес-логики, которая превращает выходы моделей в клинические находки.
Вы присоединитесь к небольшой сеньорной CV-команде, где каждый инженер отвечает за заметную часть продукта. Нам важно, чтобы человек умел работать с нечётко поставленной задачей, задавать правильные вопросы, самостоятельно принимать разумные решения и доводить их до конца.
Чем предстоит заниматься.
• Это hands-on позиция: помимо обучения новых моделей, заметная часть работы — поддержка и доработка CV-части уже работающего продукта.
• Разрабатывать 3D-модели для объёмных МРТ-данных: в основном 3D-классификация и сегментация анатомии и патологий позвоночника.
• Дообучать предобученные бэкбоны (включая крупные vision-энкодеры) под конкретные патологии и сравнивать их с task-specific бейзлайнами.
• Строить бизнес-логику поверх выходов моделей: постобработка масок сегментации, геометрические измерения, объединение предсказаний нескольких моделей в согласованные клинические находки.
• Решать проблемы реальных данных: несогласованная разметка от разных врачей, сильный дисбаланс классов, редкие патологии, разные томографы и протоколы.
• Доставлять решения в готовом к интеграции виде: упаковка по принятым в продукте правилам и стандартам, валидация на отложенных клинических данных, разбор ошибок.
• Разбирать и исправлять баги в CV-части продукта, корректировать уже существующие фичи и дообучать их модели по обратной связи от врачей и продуктовой команды.
• Выстраивать строгую оценку качества: корректные сплиты, калибровка и подбор порогов, метрики, отражающие клиническое использование.
• Критически следить за статьями, воспроизводить перспективные методы и превращать их в практические улучшения.
Обязательные требования.
• 4+ года в computer vision / deep learning, из них 2+ года с моделями в продакшене.
• Уверенный PyTorch и Python; чистый, тестируемый, воспроизводимый код.
• Опыт работы с шумной или несогласованной разметкой и сильным дисбалансом классов: дизайн лоссов, стратегии сэмплирования, чистка разметки, консенсусные подходы.
• Опыт дообучения предобученных бэкбонов под прикладные задачи — не только обучение головы: частичная или полная разморозка, PEFT/LoRA, послойные learning rate, работа с малыми выборками и борьба с переобучением.
• Крепкая база в оценке качества: калибровка, подбор порогов, F1/AUC/Dice, баланс чувствительности и специфичности.
• Умение самостоятельно декомпозировать нечёткую задачу и довести её от постановки до готового к интеграции решения.
• Практический опыт с Claude Code или сопоставимыми агентными инструментами для разработки.
• Английский B2+ для ежедневного письменного и иногда устного общения с англоговорящей частью команды.
• Проактивность: вы замечаете проблемы и возможности в продукте или данных раньше, чем о них попросят, и сами предлагаете или прототипируете улучшения.
Будет большим плюсом.
• Практический опыт с 3D-данными: объёмные CNN/трансформеры (X3D, видео-/объёмные трансформеры вроде VideoMAE и V-JEPA и подобные), анизотропный spacing, ресемплинг, patch-based обучение и инференс.
• Уверенная работа с геометрией и постобработкой масок: связные компоненты, морфология, измерения в физических координатах.
• Медицинский домен, особенно МРТ позвоночника: DICOM, NIFTI и его метаданные, мультисерийные и мультипланарные исследования, анатомия и патологии позвоночника; работа с несогласованной разметкой от нескольких врачей-разметчиков (межэкспертное согласие, консенсусные метки); инструменты MONAI, SimpleITK, nibabel, pydicom.
• Крупные vision-энкодеры: опыт адаптации vision или vision-language моделей (DINOv2/v3, SigLIP/CLIP, SAM/MedSAM, медицинские энкодеры вроде MedSigLIP, RadioDINO), контрастивное или self-supervised предобучение.
• Опыт использования VLM/LLM API в продакшен-пайплайнах.
• Публикации по ML/CV (конференции, журналы, arXiv) или сильные результаты в соревнованиях по computer vision (Kaggle и другие), в том числе медицинских (MICCAI challenges, RSNA).
Что мы предлагаем.
• Уровень зп обсуждается индивидуально по итогам интервью, исходя из опыта и релевантности кандидата.
• Полная удалёнка и гибкий график. Долгосрочный B2B-контракт (independent contractor) с американской компанией: работать можно из любой страны, где вы можете официально получать оплату (в USD), при работе из РФ оплата в рублях.
• Возможна частичная компенсация релокации.
• Продукт в реальной клинической практике в США: ваши модели напрямую меняют то, как читают МРТ позвоночника, и учатся на больших реальных клинических данных, а не на игрушечных датасетах.
• Небольшая сеньорная команда без бюрократии: свобода в выборе подхода и прямое влияние на архитектуру и направление исследований.
