Искусственный интеллект, Автоматическое машинное обучение, Компрессия нейросетей

Разработка и оптимизация алгоритмов цифровой обработки сигналов с использованием глубокого обучения для бесконтактной оценки жизненных параметров человека, обнаружения аномалий и отслеживания траектории движения пользователя.

Команда Huawei Moscow Computing ищет разработчиков графовых алгоритмов для исследования, проектирования и оптимизации собственного фреймворка обработки больших графов. Имеются вакансии разного уровня — для младших разработчиков, индивидуальных исследователей, технических лидеров и архитекторов. Кандидаты старшего уровня будут иметь возможность влиять на развитие продукта и технологическую дорожную карту.

ОПИСАНИЕ ПРОЕКТА
Проект заключается в разработке библиотеки параллельных и распределенных алгоритмов анализа больших графов с миллиардами и триллионами вершин и рёбер. Мы используем несколько подходов для обработки больших графов, включая выражение графовых алгоритмов в терминах матричных/векторных операций (GraphBLAS), распределенные вычисления на базе Apache Spark, инкрементную пакетную обработку и обработку динамических (time-evolving) графов. В настоящее время наши библиотеки поддерживают широкий спектр классических алгоритмов анализа графов (например, вычисление компонент связности, кратчайших путей, метрики центральности, PageRank, поиск изоморфных подграфов, Node2Vector), и мы планируем расширять библиотеку новыми алгоритмами. Наша цель — конкурировать с решениями с открытым исходным кодом и ведущими индустриальными решениями по производительности и масштабируемости. Кроме того, мы проводим долгосрочные исследования графовых алгоритмов с распределенной памятью и стремимся разработать новый фреймворк для обработки больших графов.

Команда состоит из разработчиков алгоритмов, математиков и инженеров-программистов с математическим образованием; большинство членов команды имеют учёную степень.

Команда Huawei Moscow Computing ищет исследователей и разработчиков алгоритмов машинного обучения для проведения исследований, анализа, проектирования и оптимизации собственной библиотеки алгоритмов машинного обучения. Имеются вакансии разного уровня — для младших разработчиков, индивидуальных исследователей, технических лидеров и архитекторов. Кандидаты старшего уровня будут иметь возможность влиять на развитие продукта и технологическую дорожную карту.

ОПИСАНИЕ ПРОЕКТА
Целью проекта является разработка библиотеки алгоритмов машинного обучения для платформы распределенных вычислений Apache Spark, которая будет конкурировать с индустриальными решениями для анализа данных, такими как Spark ML/MLLib, Intel oneDAL и т. д. В настоящее время наше решение поддерживает множество классических ML-алгоритмов (например, линейная регрессия, SVM, kNN, случайный лес, методы понижения размерности, градиентный бустинг), и мы планируем расширить его с помощью других типов алгоритмов.
Команда проводит исследования, разработку, проверку идей, внедрение и оптимизацию производительности новых методов и алгоритмов машинного обучения. Мы также сотрудничаем с академическими партнерами, когда требуются глубокие теоретические исследования. Команда состоит из разработчиков алгоритмов, математиков и инженеров-программистов с математическим образованием; большинство членов команды имеют учёную степень.

Мы проводим исследования в области современного машинного обучения применительно к задачам компьютерного зрения, обработки видео и управления беспилотными автомобилями, а также создаем оптимизированные нейросетевые алгоритмы для платформы Huawei Ascend. Кроме того, в наших интересах решение отраслевых задач, таких как обнаружение аномалий.
Основные обязанности:
• Анализировать отраслевые / научные тенденции и определить конкурентоспособность рынка технологий видеонаблюдения и рыночных предложений Huawei
• Стать ведущим исследователем в команде R&D, определить план исследовательских целей, устранить разрыв между научно-исследовательскими достижениями и промышленными продуктами
• Нести ответственность за исследовательские проекты в рамках портфеля Video Intelligence, завершая разработку основных технологий в области Video Intelligence
• Налаживать сотрудничество с европейскими университетами, исследовательскими институтами и промышленными партнерами
• Представлять Huawei в более широкой отрасли, посещая и участвуя в международных встречах и конференциях
Требования:
Сильная исследовательская база и относительный промышленный опыт
• Иметь опыт в области технологий извлечения видеоданных и аналитики. Предпочтительно обнаружение и отслеживание объектов, классификация, аутентификация данных, обнаружение аномальных сигналов, мультимодальное объединение
• Опыт работы в любом модуле стека SDV предпочтителен (восприятие, прогнозирование, планирование).
• Быть знакомым с архитектурой глубокого обучения и фреймворками с открытым исходным кодом. Доменная адаптция, трансферное обучение, нулевое, однократное или многократное обучение, сжатие сети
• Опыт работы в быстрой и эффективной наиболее приближенной соседней системе с аппаратным ускорением для проекта поиска данных.
• Опыт использования методов ускорения нейронных сетей как для обучения (например, улучшенные алгоритмы оптимизации), так и для вывода (например, отсечение, тензорное разложение) на оборудовании
• Наличие степени магистра или высшая степень в области компьютерного зрения, обработки изображений, глубокого обучения / машинного обучения или значительный опыт работы в соответствующей отрасли
• Хорошее математическое образование в области теории вероятностей, линейной алгебры, статистики и соответствующих математических областей
• Хорошее знание Python и математических библиотек. Знание языка C++ является большим плюсом
• Предпочтение отдается кандидату наук по соответствующей дисциплине
• Желательно иметь более 3 лет опыта работы в отрасли (в одной или нескольких областях) в области компьютерного зрения, машинного обучения / глубокого обучения и науки о данных, а также, опыт применения академических исследований в промышленных приложениях
• Желательно иметь более 3 лет опыта в области анализа и обработки видеоданных