ML Engineer в команду компьютерного зрения и мультимодальных моделей в AI VK, Москва

Группа машинного зрения направления R&D работает на стыке исследований и продуктовой разработки. Мы выходим за рамки стандартного анализа изображений и фокусируемся на мультимодальном ИИ для решения комплексных задач. Наша работа охватывает как критически важные бизнес-задачи, например высоконадёжную верификацию пользователей, так и амбициозные R&D-направления, включая визуально-языковые модели (VLM) для распознавания текстов и интеграцию визуальной модальности в речевые модели (SpeechLM). 

Если вам интересно работать на стыке обработки пикселей и семантического понимания — вы наш кандидат.

Задачи

• Next-Gen OCR: обучение визуально-языковых моделей (VLM) для задач OCR, переход от классических пайплайнов к end-to-end пониманию и извлечению структуры из документов
• Исследования в мультимодальности: лидирование исследовательского трека по добавлению визуальной модальности в речевые языковые модели (SpeechLM), чтобы научить модели одновременно «видеть» и «говорить»
• Верификация пользователей: создание и внедрение надёжных CV-моделей для верификации через камеру: распознавание лиц (Face Recognition), Liveness Detection и методы защиты от спуфинга (Anti-spoofing)
• Оптимизация: Deep Learning моделей по скорости (latency) и памяти для работы в продакшен-окружении
• Внедрение в production: взаимодействие с backend-разработчиками для вывода моделей в прод, обеспечение их надёжности и масштабируемости для будущих бизнес-задач
• Research: мониторинг свежих статей на arXiv в областях CV, NLP и Multimodal Learning

Требования

• 2+ года опыта в Computer Vision и Deep Learning, твёрдое понимание линейной алгебры, теории вероятностей и методов оптимизации
• Отличное знание Python и фреймворков глубокого обучения (преимущественно PyTorch)
• Глубокое понимание современных архитектур, особенно трансформеров (ViT) и CNN
• Понимание того, как связывать разные модальности (например, выравнивание эмбеддингов изображений с текстовыми или аудио токенами)
• Практический опыт с задачами верификации/идентификации (ArcFace, Triplet Loss и т. д.) или детекции/сегментации
• Уверенное владение Git, умение писать чистый код и понимание базовых процессов MLOps

Будет плюсом

• Опыт обучения или fine-tuning больших мультимодальных моделей (например, LLaVA, Qwen-VL)
• Опыт оптимизации инференса: квантизация, TensorRT/Triton, ONNX, CUDA Graphs
• Навыки обучения больших моделей с Mixed Precision и Distributed Data Parallel (DDP) в PyTorch
• Опыт построения пайплайнов для генерации синтетических данных или использования Active Learning
• Опыт чтения и воспроизведения алгоритмов из научных статей
• Опыт работы с kubeflow и airflow