Kanada
Vosker
Citylogix
Senior Machine Learning Engineer - Computer Vision
Kanada
Montreal, Quebec, Canada
PythonAWS
Automatische Übersetzung. Prüfe das Original.
Über die Rolle
Als Senior Machine Learning Engineer berichten Sie direkt an den Chief Technology Officer (CTO) und sind verantwortlich für die Erforschung, Entwicklung und Bereitstellung der Computer-Vision-Modelle, die das Herzstück unserer Plattform bilden – insbesondere die Segmentierungssysteme zur Erkennung von Infrastrukturmängeln und zur Kartierung von Straßenanlagen anhand großflächiger Bilddaten.
Dies ist eine praxisorientierte technische Rolle mit Fokus auf Transformer-basierte Segmentierung. Sie verantworten den gesamten Prozess von der Forschung bis zur Produktion: Sie verbessern die Genauigkeit und Robustheit, verallgemeinern Modelle für verschiedene Kamerasysteme, führen aufgabenspezifische Modelle in einheitlichen Architekturen zusammen und arbeiten eng mit unseren DevOps- und Engineering-Teams zusammen, um diese zuverlässig und skalierbar in die Produktion zu überführen.
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.
Ihre Aufgaben
- Erforschung, Design, Training und Evaluierung von deep-learning-Modellen für semantische, Instanz- und panoptische Segmentierung zur Anwendung bei der Erkennung von Infrastrukturmängeln sowie der Segmentierung von Straßenanlagen und Szenen.
- Feinabstimmung und Anpassung von Transformer-basierten Segmentierungsarchitekturen (z. B. Mask2Former, OneFormer und Modelle der DETR-Familie, einschließlich kundenspezifischer interner Varianten).
- Verbesserung der Domänen-Generalisierung, damit Modelle über heterogene Kamerasysteme und Aufnahmebedingungen hinweg zuverlässig funktionieren, sowohl einzeln als auch in Kombination.
- Konsolidierung mehrerer aufgaben- oder defektspezifischer Checkpoints zu einheitlichen Multi-Task-Modellen, um den Produktionsaufwand zu vereinfachen.
- Zusammenarbeit mit dem DevOps-Team beim Training, der Bereitstellung und Überwachung von Modellen auf AWS (einschließlich Amazon SageMaker) sowie Optimierung der Inferenzleistung und -kosten.
- Aufbau und Pflege reproduzierbarer Trainingspipelines, Evaluierungs-Benchmarks sowie Workflows für Datensätze und Annotationen.
- Diagnose von Modellfehlern und Datenqualitätsproblemen sowie Herbeiführung messbarer Verbesserungen in Bezug auf Genauigkeit, Robustheit und Effizienz.
- Verfolgung neuer Architekturen und Techniken sowie Empfehlung von Ansätzen, die einen echten Mehrwert für die Plattform bieten.
- Pflege einer klaren technischen Dokumentation, von Experimentprotokollen und Standards für die Modellversionierung.
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.
Qualifikationen
- Mindestens 5 Jahre angewandte Erfahrung im Bereich machine-learning / Computer Vision oder ein Hochschulabschluss (MSc/PhD) in einem relevanten Fachbereich plus mindestens 3+ Jahre angewandte Erfahrung.
- Fundierte, praktische Kenntnisse in PyTorch.
- Nachgewiesene Erfahrung mit deep-learning-Segmentierung (semantisch, Instanz- und/oder panoptisch) anhand realer Bilddaten.
- Praktische Erfahrung mit Transformer-basierten Vision-Architekturen (Mask2Former, OneFormer, DETR oder vergleichbar).
- Solide Beherrschung von Techniken zur Feinabstimmung, zum Transfer Learning sowie zur Domänenanpassung und -generalisierung.
- Erfahrung mit dem Hugging Face-Ökosystem und/oder detectron2.
- Sicherer Umgang mit dem Training und der Bereitstellung von Modellen in einer Cloud-Umgebung (AWS bevorzugt; Erfahrung mit Amazon SageMaker ist ein starkes Plus).
- Starke Python-Entwicklungsfähigkeiten und gute Software-Praktiken (Versionskontrolle, Testing, Reproduzierbarkeit).
- Hervorragende Kommunikations- und Teamfähigkeit sowie die Fähigkeit, Prioritäten in einem schnelllebigen Umfeld zu steuern.
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.
Wünschenswert
- Erfahrung in der Arbeit mit Bilddaten aus industriellen, Zeilenkamera- (line-scan) oder Panoramakamerasystemen.
- Hintergrund in Geoinformatik / GIS, Fernerkundung oder Infrastruktur- / Bauingenieurwesen.
- MLOps-Erfahrung: Management des Modell-Lebenszyklus, Monitoring und CI/CD für ML.
- Erfahrung mit Modelloptimierung (Quantisierung, Destillation, ONNX/TensorRT oder ähnlich) für eine effiziente Inferenz.
- Erfahrung in der Zusammenführung von Multi-Task- oder Multi-Modell-Systemen zu konsolidierten Architekturen.
- Peer-Review-Publikationen oder Open-Source-Beiträge im Bereich Computer Vision.
- Erfahrung in einem schnell wachsenden SaaS- oder technologieorientierten Unternehmen.
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.
Französische Version
Mehr Möglichkeiten mit einem Profil
Für mehr Stellen berücksichtigt werden, ohne den ganzen Prozess zu wiederholen? Erstellen Sie Ihr Profil, damit Unternehmen auf Nort Sie finden.
Profil erstellen