Canadá
Meridian OneCap Credit Corp.
Citylogix
Engenheiro(a) Sênior de Machine Learning - Visão Computacional
Canadá
Montreal, Quebec, Canada
PythonAWS
Tradução automática. Consulte o original.
Sobre a vaga
Reportando-se ao Chief Technology Officer (CTO), o(a) Engenheiro(a) Sênior de Machine Learning é responsável por pesquisar, desenvolver e implantar os modelos de visão computacional no núcleo da nossa plataforma — os sistemas de segmentação que detectam defeitos de infraestrutura e mapeiam ativos rodoviários a partir de imagens em larga escala.
Este é um papel técnico prático focado em segmentação baseada em transformadores. Você será responsável pelos modelos desde a pesquisa até a produção: melhorando a precisão e a robustez, generalizando modelos para diferentes sistemas de câmeras, consolidando modelos específicos de tarefas em arquiteturas unificadas e fazendo parceria com nossas equipes de DevOps e Engenharia para trazê-los de forma confiável para produção em escala.
À propos du rôle
Relevant du chef de la direction technologique (CTO), l'ingénieur principal ou l'ingénieure principale en apprentissage automatique est responsable de la recherche, du développement et du déploiement des modèles de vision par ordinateur au cœur de notre plateforme. Ceux-ci comprennent notamment les systèmes de segmentation qui détectent les défauts d'infrastructure et cartographient les actifs routiers à partir d'images acquises à grande échelle.
Il s'agit d'un rôle technique pratique, axé sur la segmentation par transformeurs. Vous prendrez en charge l'ensemble du cycle de vie des modèles, de la recherche à la mise en production : amélioration de la précision et de la robustesse, généralisation des modèles à différents systèmes de caméras, consolidation de modèles spécialisés en architectures unifiées, et collaboration avec les équipes DevOps et de développement afin d'assurer leur déploiement fiable et à grande échelle.
O que você fará
- Pesquisar, projetar, treinar e avaliar modelos de deep-learning para segmentação semântica, de instância e panóptica, aplicados à detecção de defeitos de infraestrutura e segmentação de ativos/cenas rodoviárias
- Ajustar e adaptar arquiteturas de segmentação baseadas em transformadores (por exemplo, Mask2Former, OneFormer e modelos da família DETR, incluindo variantes personalizadas internas)
- Melhorar a generalização de domínio para que os modelos tenham um desempenho confiável em sistemas de câmeras e condições de imagem heterogêneas, tanto individualmente quanto em combinação
- Consolidar vários checkpoints específicos de tarefas ou defeitos em modelos unificados e multitarefa para simplificar o footprint de produção
- Fazer parceria com a equipe de DevOps para treinar, implantar e monitorar modelos na AWS (incluindo Amazon SageMaker), e para otimizar o desempenho e o custo de inferência
- Construir e manter pipelines de treinamento reproduzíveis, benchmarks de avaliação e fluxos de trabalho de anotação/conjunto de dados
- Diagnosticar falhas de modelo e problemas de qualidade de dados, e impulsionar melhorias mensuráveis em precisão, robustez e eficiência
- Acompanhar arquiteturas e técnicas emergentes, e recomendar onde elas criam valor real para a plataforma
- Manter documentação técnica clara, registros de experimentos e padrões de versionamento de modelos
Responsabilités principales
- Concevoir, entraîner et évaluer des modèles d'apprentissage profond pour la segmentation sémantique, par instance et panoptique, appliqués à la détection de défauts d'infrastructure ainsi qu'à la segmentation des actifs et des scènes routières.
- Adapter et affiner (fine-tuning) des architectures de segmentation par transformeurs (p. ex. Mask2Former, OneFormer et les modèles de la famille DETR, y compris des variantes internes).
- Améliorer la généralisation des modèles afin d'assurer une performance fiable sur différents systèmes de caméras et dans diverses conditions d'imagerie, individuellement ou en combinaison.
- Consolider plusieurs points de contrôle (checkpoints) spécialisés en modèles multitâches unifiés afin de simplifier l'architecture de production.
- Collaborer avec l'équipe DevOps pour entraîner, déployer et surveiller les modèles sur AWS (y compris Amazon SageMaker), tout en optimisant les performances et les coûts d'inférence.
- Concevoir et maintenir des pipelines d'entraînement reproductibles, des bancs d'évaluation ainsi que des flux de travail liés aux jeux de données et à l'annotation.
- Diagnostiquer les défaillances des modèles et les problèmes de qualité des données, puis mettre en œuvre des améliorations mesurables en matière de précision, de robustesse et d'efficacité.
- Assurer une veille technologique sur les nouvelles architectures et techniques, puis recommander celles qui apportent une réelle valeur ajoutée à la plateforme.
- Maintenir une documentation technique claire, des registres d'expériences et des normes de gestion des versions des modèles.
Qualificações
- Mínimo de 5 anos de experiência aplicada em machine-learning / visão computacional, ou um diploma de pós-graduação (MSc/PhD) em um campo relevante mais 3+ anos de experiência aplicada
- Proficiência prática e sólida com PyTorch
- Experiência demonstrada com segmentação de deep-learning (semântica, de instância e/ou panóptica) em dados de imagem do mundo real
- Experiência prática com arquiteturas de visão baseadas em transformadores (Mask2Former, OneFormer, DETR ou similar)
- Comando sólido de técnicas de fine-tuning, aprendizado por transferência e adaptação/generalização de domínio
- Experiência com o ecossistema Hugging Face e/ou detectron2
- Conforto em treinar e implantar modelos em um ambiente de nuvem (AWS preferencial; experiência com Amazon SageMaker é um forte diferencial)
- Fortes habilidades de engenharia Python e boas práticas de software (controle de versão, testes, reprodutibilidade)
- Excelentes habilidades de comunicação e colaboração, e a capacidade de gerenciar prioridades em um ambiente de ritmo acelerado
Exigences du poste
- Minimum de cinq (5) années d'expérience appliquée en apprentissage automatique ou en vision par ordinateur, ou une maîtrise (M. Sc.) ou un doctorat (Ph. D.) dans un domaine pertinent accompagné d'au moins trois (3) années d'expérience appliquée.
- Solide maîtrise pratique de PyTorch.
- Expérience démontrée en segmentation par apprentissage profond (sémantique, par instance et/ou panoptique) appliquée à des images réelles.
- Expérience pratique des architectures de vision par transformeurs (Mask2Former, OneFormer, DETR ou équivalent).
- Bonne maîtrise des techniques de fine-tuning, d'apprentissage par transfert (transfer learning) et d'adaptation ou de généralisation de domaine.
- Expérience avec l'écosystème Hugging Face et/ou Detectron2.
- Aisance à entraîner et à déployer des modèles dans un environnement infonuagique (AWS de préférence; une expérience avec Amazon SageMaker constitue un atout important).
- Solides compétences en développement logiciel Python ainsi qu'en bonnes pratiques de développement (gestion des versions, tests et reproductibilité).
- Excellentes aptitudes en communication, en collaboration et en résolution de problèmes, ainsi que la capacité à gérer plusieurs priorités dans un environnement dynamique.
Diferenciais
- Experiência trabalhando com imagens de sistemas de câmeras industriais, line-scan ou panorâmicas
- Experiência em geoprocessamento / GIS, sensoriamento remoto ou aplicações de infraestrutura/civil
- Experiência em MLOps: gerenciamento do ciclo de vida do modelo, monitoramento e CI/CD para ML
- Experiência em otimização de modelos (quantização, destilação, ONNX/TensorRT ou similar) para inferência eficiente
- Experiência em unificar sistemas multitarefa ou multimodelo em arquiteturas consolidadas
- Publicações revisadas por pares ou contribuições de código aberto em visão computacional
- Experiência em uma organização SaaS de rápido crescimento ou orientada por tecnologia
Atouts
- Expérience avec l'imagerie provenant de caméras industrielles, linéaires (line-scan) ou panoramiques.
- Expérience en géomatique (SIG), en télédétection ou dans des applications liées aux infrastructures et au génie civil.
- Expérience en MLOps, notamment en gestion du cycle de vie des modèles, en surveillance et en CI/CD appliqués à l'apprentissage automatique.
- Expérience en optimisation de modèles (quantification, distillation, ONNX, TensorRT ou équivalent) afin d'améliorer l'efficacité de l'inférence.
- Expérience dans l'unification de systèmes multitâches ou multimodèles au sein d'architectures consolidées.
- Publications évaluées par les pairs ou contributions à des projets de vision par ordinateur à code source ouvert.
- Expérience au sein d'une entreprise technologique ou d'une entreprise SaaS en forte croissance.
Version française
Mais oportunidades com um só perfil
Quer aparecer para várias vagas sem repetir todo o processo? Crie seu perfil e seja encontrado pelas empresas que usam a Nort.
Criar meu perfil