# Больше о команде
Ключевые критерии качества автономного автомобиля — безопасность, комфорт и эффективность. Оценивать их только на реальных дорогах долго, дорого, а для некоторых сценариев практически невозможно. Поэтому в Яндексе мы разработали систему симуляции, которая позволяет тестировать новые версии компонент автопилота в виртуальной среде и быстро оценивать, как меняется поведение автомобиля в разных дорожных ситуациях, погодных условиях и на разных территориях.
Достоверность таких тестов определяется тем, насколько реалистично окружающая среда реагирует на действия автономного автомобиля. Для этого мы используем ML-модель, которая предсказывает движение других участников дорожного движения: машин, мотоциклов и пешеходов. Над этой моделью и предстоит работать будущему участнику нашей команды.
Симулятор используют много команд, поэтому наши улучшения напрямую влияют на скорость и качество разработки автономного автомобиля Яндекса.
Улучшение качества и разработка новых функций модели
Вам предстоит работать над повышением базового качества нейросети для генерации траекторий машин и пешеходов. Задачи включают улучшение датасета (сбор, фильтрацию и предобработку данных), архитектурные доработки моделей, оптимизацию процесса обучения и инференса, а также исследование возможностей внедрения inpainting, различных conditioning и guidance для решения продуктовых задач. Удачные наработки затем нужно будет внедрять в продакшен своими силами и силами бэкенд-команды.
Разработка фреймворка приёмки моделей
Вторым фокусом будет участие в построении надёжной и автоматизированной системы оценки качества и приёмки новых версий модели. Нужно будет реализовывать в продакшен-системе и train-цикле моделей метрики из SOTA-статей, разрабатывать собственные метрики для оценки краевых случаев и внедрять краудсорсинг в процессы приёмки для комплексной оценки моделей.
Больше об ML в Яндексе — в канале Yandex for ML.
Мы ждём, что вы
•Программировали на Python
•Работали с данными (сбор из сырых логов, формирование новых датасетов)
•Занимались генеративным CV
•Обучали нейросети на распределённых кластерах
•Участвовали в ML-проектах полного цикла с привязкой к бизнес-потребностям
•Имеете практический опыт обучения диффузионных моделей
•Внедряли модели в продакшен через FastAPI + Docker, Triton Inference Server или любой другой фреймворк
•Участвовали в соревнованиях по ML или программированию (ACM ICPC, Codeforces, Topcoder, Kaggle и т. д.)
•Умеете программировать на C++
•Знаете правила дорожного движения, водили автомобиль или мотоцикл
