Computer Vision / Machine Learning Engineer

Обязанности

Обучение моделей и эксплуатация в продакшне

• Управлять и проводить ежемесячный цикл обучения CV-моделей, создавая обновленные модели классификации видов для десятков тысяч таксонов и публикуя сопроводительные примечания к выпуску для сообщества iNaturalist.
• Поддерживать и улучшать нашу инфраструктуру для обучения и обслуживания моделей, работая над кодовыми базами inatVisionTraining, inatVisionAPI и inatGeoModelTraining (в настоящее время Python / TensorFlow / Keras / Flask).
• Управлять полным жизненным циклом модели: подготовка данных, циклы обучения, оценка, экспорт и развертывание в веб- и мобильных средах.
• Внедрять и отслеживать производительность моделей в продакшне, отслеживая регрессии точности и покрытия по таксонам, географическим регионам и типам наблюдений.
• Управлять аппаратным и облачным обеспечением и консультировать по ним, работая с нашим текущим оборудованием Linux и консультируя по улучшениям аппаратного обеспечения или облачным альтернативам.

Разработка мобильных моделей

• Обучать и оптимизировать бортовые (on-device) CV- и гео-модели для iOS и Android, обеспечивая высококачественную идентификацию в рамках строгих ограничений по размеру и задержке в нашем мобильном приложении React Native.
• Применять квантование, обрезку (pruning) и другие методы оптимизации для поддержания точности при достижении целевых показателей производительности мобильных устройств.
• Сотрудничать с командой iNaturalist Mobile для интеграции и тестирования обновленных моделей в приложении.

Новые возможности

• Руководить разработкой Sound ID: проектировать и внедрять конвейер для поддержки идентификации видов по звуковым записям.
• Работать с командой Ops для развертывания крупномасштабной системы «vision language model», созданной академическими партнерами, которая позволяет осуществлять поиск изображений на основе текста.
• Создать возможности обнаружения ограничивающих рамок (bounding-box detection) для определения местоположения организмов на изображениях, поддерживая улучшенное кадрирование для последующей классификации.
• Разработать автоматизированную оценку качества изображений, такую как обнаружение изображений, сгенерированных ИИ, пометка размытых изображений или наблюдений без четкого объекта фокусировки, чтобы помочь в курации обучающих данных и предоставлении обратной связи пользователям.
• Оценивать и интегрировать соответствующие достижения из исследовательской литературы, когда они предлагают практическую пользу для продакшна.

Доступ к данным, кураторство и сотрудничество

• Работать с другими инженерами для поддержания и улучшения конвейеров обучающих данных, включая ввод и обработку больших наборов данных и управление дисбалансом классов по таксонам и географическим регионам.
• Сотрудничать с нашей командой по вовлечению (Engagement team) и сетью экспертов-идентификаторов и исследователей iNaturalist для проверки результатов моделей и учета таксономических обновлений.
• Вносить вклад в инженерную культуру команды — используя стандартный контроль версий и отслеживание задач (Github и Linear), писать чистый, документированный, тестируемый код, участвовать в обзоре кода и делиться знаниями в небольшой, полностью удаленной команде.

Квалификация

• 5-7+ лет профессионального опыта в инжиниринге, включая 3+ года опыта в области машинного обучения, компьютерного зрения или смежной прикладной ML-роли.
• Отличные навыки Python и практический опыт работы с такими инструментами, как PyTorch или TensorFlow/Keras (наш текущий стек).
• Подтвержденный опыт обучения и внедрения CV-моделей в продакшн — в масштабе, с реальными пользователями — а не только в академических или исследовательских условиях.
• Опыт экспорта и оптимизации моделей для мобильного развертывания (например, TFLite и/или CoreML), включая квантование и бенчмаркинг производительности.
• Твердое понимание стандартных методов CV: классификация изображений, обнаружение объектов и оценка качества изображений.
• Комфорт в работе с большими, «шумными» наборами изображений, сгенерированных пользователями, включая управление дисбалансом классов, шумом меток и сдвигами географического распределения.
• Опыт работы с аудио ML или классификацией на основе спектрограмм.
• Опыт работы с инструментами отслеживания экспериментов (WandB, MLflow или аналогичными) и дисциплинированный подход к воспроизводимости.
• Отличные письменные и устные коммуникативные навыки — способность ясно излагать мысли как техническим коллегам, так и нетехнической аудитории сообщества.
• Комфорт в самостоятельной работе в небольшой, полностью удаленной команде с существенной ответственностью за свою область.

Желательно (Nice-to-have)

• Знакомство с географическим/пространственным ML (используя, например, моделирование ареала видов на основе глубокого обучения).
• Опыт в области экологии, биологии или естественной истории.
• Опыт создания и эксплуатации систем векторного поиска в продакшне — знакомство с Qdrant или сопоставимыми векторными базами данных (Pinecone, Weaviate).
• Опыт генерации и управления эмбеддингами в масштабе, включая мультимодальные эмбеддинги (например, CLIP или SigLIP).
• Знакомство с распределенными конвейерами приема данных с использованием Ray, Spark или эквивалентных фреймворков.
• Опыт работы с API LLM (например, Anthropic Claude, Google Gemini, OpenAI, self-hosted models).

Почему стоит присоединиться к нам?

• Влияние: Сыграйте ключевую роль в миссионерской организации, занимающейся сохранением биоразнообразия.
• Инновации: Создавайте передовые технологии, которые позволяют миллионам людей оказывать положительное влияние на природу.
• Гибкая работа: Полностью удаленная позиция (нижние 48 штатов) с фондом для обустройства рабочего места и ежемесячной стипендией.
• Конкурентная зарплата: $154,257.44 в год, без торга.
• Отличные льготы: Медицинское, стоматологическое, офтальмологическое страхование, страхование жизни, 401k с 5% матчем и неограниченное количество дней личного отпуска (ожидается минимум три недели).

Как подать заявку и сроки

Вместо традиционного сопроводительного письма вы ответите на короткий набор вопросов, предназначенных для оценки вашего опыта и подхода к решению проблем. Ответы рассматриваются без указания имен для снижения предвзятости. Подача заявок закроется 15 июля 2026 года.