Аналитик данных в команду качества автопилота

Мы создаём технологии автономного вождения, стремимся сделать их надёжным, безопасным и доступным способом перевозки пассажиров и грузов. Для этого наша команда занимается E2E-разработкой офлайн-разметки и метрик качества технологии на их основе. Наши данные напрямую влияют на обучение моделей планирования, оценку поведения автопилота и улучшение симуляции: мы обеспечиваем данными те части технологии, где нет ground truth и где автоматика ещё не может заменить человеческое понимание ситуации.

Мы работаем совместно с командами продукта, ML и разработки, а результаты нашей работы используются:

• При сборе обучающих и валидационных датасетов
• Для расчёта продуктовых метрик по реальному накату
• Как таргет для базовых и RL-моделей планирования движения
• Как инструмент для выявления багов в системе симуляции
• Для офлайн-замеров качества и приёмки технологии в целом

Наша команда вовлечена в весь цикл создания технологии от формулировки общих продуктовых требований до отладки и приёмки готовых моделей. Чтобы успешно развивать наши проекты, нам нужно решать разные типы задач: от технических и аналитических до продуктовых.

У нас классно, потому что:

• Мы строим будущее, где автономный транспорт станет обычным и надёжным способом передвижения
• Наша работа напрямую влияет на то, какими будут технологии через полгода, а её результат можно будет увидеть в реальном физическом мире
• Вы будете работать с командами ML, разработки и продукта, превращать общие продуктовые требования в понятные правила для модели
• Мы даём возможность развивать как технические, так и коммуникативные и менеджерские навыки
• Мы делаем уникальные по сложности, масштабу и архитектуре проекты

Какие задачи вас ждут

Разработка методики оценки качества моделей планирования
Качественные данные — залог хорошей ML-модели. Вам предстоит преобразовывать сложно формализуемые вопросы в определённые правила и принципы, на основе которых будут разрабатываться метрики автопилота и обучаться модели планирования движения. Примеры таких вопросов:

• Какой манёвр выполнил водитель или автопилот?
• Совершены ли какие-то ошибки при движении?
• Помешали ли мы другим участникам дорожного движения?

Разработка инструментов для выявления ошибок в системе симуляции
Ключевым компонентом для измерения качества релизов ПО в офлайне является система симуляции, которая должна работать стабильно и без багов. Вам предстоит разрабатывать методы оценки качества симуляции и инструменты для выявления её проблем как для реальных, так и для синтетических данных.

Масштабирование и удешевление проектов в Yandex Crowd
Для массового сбора разметки мы создаём иерархические проекты из нескольких уровней разметчиков. Для каждой группы исполнителей задаём свой метод обучения и требования к качеству. Вам нужно будет разрабатывать и внедрять алгоритмические и ML-решения для масштабирования и удешевления этих проектов.

Больше об аналитике в Яндексе — в канале Yandex for Analytics

Мы ждем, что вы

• Пишете качественный код на Python и запросы на SQL для обработки данных
• Умеете формализировать и структурировать требования и ожидания заказчиков
• Можете анализировать данные, выдвигать гипотезы и выстраивать эксперименты для их проверки
• Самостоятельны и готовы браться за новые задачи, для которых нет готового решения

Будет плюсом, если вы

• Работали с ML-проектами или понимаете ML-пайплайны на базовом уровне
• Имеете опыт разработки продуктовых метрик
• Умеете общаться в команде, ясно излагать мысли, понимать и убеждать коллег
• Писали инструкции и самостоятельно запускали проекты по разметке данных