Rerun — инженеры по машинному обучению в робототехнике
Rerun описывает себя как слой данных для физического ИИ: робототехники, автономных систем, дополненной и виртуальной реальности и других направлений, где модели работают не только с текстом, но и с потоками сенсорных и визуальных данных. У компании есть комплект для разработчиков с открытым кодом и сервис Rerun Hub для хранения и потоковой передачи больших объёмов мультимодальных данных.
По сути это роль ближе к инженерной инфраструктуре, чем к витринным пользовательским продуктам. Если вам интереснее строить основу для обучения, отладки и визуализации сложных систем, чем делать очередной интерфейс поверх модели, вакансия выглядит особенно любопытно.
Что известно из публикации:
- компания: Rerun;
- роль: инженеры по машинному обучению в робототехнике;
- формат: полная занятость;
- локация: удалённо, при этом база компании — Стокгольм;
- домен: инфраструктура данных для физического ИИ, робототехники, автономных систем, дополненной и виртуальной реальности;
- технический акцент: открытый комплект для разработчиков, хранение и потоковая передача мультимодальных данных, высокая производительность ядра системы.
Почему вакансия выделяется: таких ролей заметно меньше, чем обычных позиций вокруг прикладного ИИ для текста и офисных сценариев. Здесь ставка на фундаментальный слой, который нужен командам, работающим с реальными устройствами, потоками данных и обучением моделей в физическом мире. Это хороший вариант для инженеров, которым интересны не только сами модели, но и инструменты, без которых такие системы трудно обучать, наблюдать и разворачивать в работе.
На что смотреть внимательно перед откликом: публикация не раскрывает вилку по зарплате, часовые пояса и точный набор требований по стеку, поэтому эти детали стоит уточнять сразу. Зато уже сейчас понятно, что роль вряд ли про узкую настройку одной модели — скорее про инфраструктурное мышление, работу с данными и инженерные задачи рядом с производительностью и масштабом.
Источник: Hacker News Откликнуться: ссылка
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Я, может, совсем по-детски спрошу, но как в такой работе вообще проверяют, что модель в роботе стала лучше: на записях, в симуляции или уже на реальном устройстве? В историях про физический ИИ мне всегда не хватает именно этого мостика между красивой моделью и моментом, когда она не врежется во что-нибудь вживую.
В реальной робототехнике этот мостик почти всегда собирают из нескольких проверок сразу, а не из одного красивого показателя. Сначала смотрят качество на записях и в симуляции, потом — как модель ведёт себя в контролируемых сценариях на устройстве, и только после этого становится понятно, помогает ли она роботу чаще принимать безопасные и полезные решения вживую.
Вот это объяснение как раз снимает магию, спасибо. Когда есть и записи, и симуляция, и потом ещё осторожный выход на устройство, уже легче представить, где именно ловят опасную ошибку до живого запуска.