В разработке автономных автомобилей главное — обеспечить безопасность. Управлять машиной, чтобы она ехала по дороге в своей полосе при нормальных условиях, несложно. Сложно сделать так, чтобы она правильно вела себя в разнообразных редких или опасных ситуациях: например, при непредсказуемом поведении других участников движения, в плохую погоду или при плохом освещении, а также с учётом особенностей работы оборудования. Воспроизводить такие ситуации в реальности дорого и опасно, поэтому важно уметь моделировать их с помощью технологий симуляции.
В рамках направления работы над симуляцией сенсоров есть две большие задачи: симуляция сенсоров как часть симулятора для тестирования ПО в режиме end-to-end и генерация синтетических данных с редкими случаями для дообучения базовых алгоритмов автономного транспорта. Обе задачи подразумевают генерацию данных от различных типов сенсоров: камер, лидаров, радаров. Задачи включают в себя research-элементы: чтение статей, посвящённых генеративным моделям и 3D-реконструкции, реимплементация и улучшение методов, проведение экспериментов. Во всех задачах используем промышленное машинное обучение: построение ML-пайплайнов и процессов, сбор датасетов и метрик, которые максимально отражают бизнес-задачу.
Вы будете повышать качество моделей для 3D-реконструкции сцен (мы активно рассматриваем gaussian splatting) и нейросетей, которые используются как часть пайплайна реконструкции и в качестве отдельных методов генерации данных. В числе последних — диффузионки, VAE, сети для сегментации и детекции объектов.
Чтобы повышать качество, нужно внедрять методы из академических статей, дорабатывать архитектуру, оптимизировать обучение и инференс, а также строить пайплайны оценки качества и улучшать датасет: собирать, фильтровать и предварительно обрабатывать данные.
Вам нужно будет внедрять модели в продакшен-симулятор. Необходимо выстривать процесс так, чтобы модели получали правильные данные, их инференс работал на большом кластере, а симуляции были полезны всем командам, которые занимаются разработкой автономного транспорта. С бэкенд-частью нам помогает смежная команда, но необходимо будет следить за общим процессом и делать так, чтобы метрики фактического инференса моделей не отличались от ожидаемых метрик, которые получаются при обучении.
Расширенная медицинская страховка начинает работать с первого месяца в Яндексе. В неё входят стоматология, ежегодные чекапы, неотложная помощь за рубежом, лечение критических заболеваний, в том числе онкологии, и страхование от несчастных случаев.
А также:
Страховка для родственников по системе 80/20. Мы оплачиваем 80% стоимости ДМС для детей и супругов, вы — остальные 20%.
В Яндексе есть всё, чтобы постоянно развиваться и учиться новому: внутренняя образовательная платформа, менторство и программы для начинающих и опытных руководителей.
Также мы оплачиваем участие в профильных конференциях — как в качестве спикера, так и в качестве участника.
Кроме того, в Яндексе есть внутренние проекты, где наши сотрудники делятся экспертизой, обсуждают сложные темы и разбирают кейсы своих проектов.
Во всех крупных офисах Яндекса есть спортзалы со всем необходимым: тренажёрами, спортивным инвентарём, душевыми, шкафчиками для одежды и вещей. Можете заниматься самостоятельно, а можете с корпоративным тренером.
А также скидки в фитнес-клубах, бассейнах, студиях йоги, скалодромах и других местах.
В Яндексе есть спортивный клуб и много спортивных команд. У них есть свои лидеры, чаты, программы тренировок. А ещё они регулярно участвуют в забегах, триатлонах, «Гонке героев», футбольных и других соревнованиях. Вы сможете присоединиться к существующим командам или собрать свою.
У нас нет фиксированного времени начала и конца рабочего дня — работайте так, как удобно вам и вашей команде.
Льготная ставка на покупку жилья и улучшение жилищных условий — в зависимости от стажа, позиции и результатов ревью. Действует для сотрудников, работающих в российских офисах Яндекса.
Страхование, детские дни в офисе, подарки на рождение детей и чекапы при планировании беременности.
.png&w=1920&q=75){kind=small}
