Data Scientist (Computer Vision)

Что предстоит делать

О компании Полигонатор — быстрорастущая компания, специализирующаяся на создании инновационных тренажёров для различных предприятий. Наши решения охватывают широкий спектр: классические обучающие комплексы, интерактивные среды для отработки управления техникой в симуляциях с реалистичной физикой и иммерсивные VR-тренажёры. Мы создаём полноценное ПО (от проектирования до внедрения) и строим продукты с внедрением ИИ — от аналитики и прогнозных моделей до LLM-приложений и исследовательских прототипов. С 2016 года реализовали более 40 проектов. В работе используем Unreal Engine 5 для создания детализированных и реалистичных виртуальных сред. О роли Мы ищем Data Scientist с опытом в Computer Vision, который умеет превращать бизнес-задачу в техническую постановку, строить прогнозные и CV-модели и проверять гипотезы статистически строго. Вы будете работать с данными тренажёров и симуляций: анализировать поведение пользователей, обрабатывать изображения и видео с камер, строить модели детекции и сегментации, проектировать и анализировать A/B-эксперименты. Роль — на стыке аналитики, классического ML, компьютерного зрения и продуктового мышления. Уровень: Middle / Middle+ Опыт: 1–3 года коммерческой работы в Data Science / аналитике данных, включая задачи Computer Vision Формат: офис, г. Таганрог, ул. Котлостроительная, 2-6; график 5/2, 10:00–18:00 Что вы будете делать • Переводить бизнес-задачи в техническую постановку: определять целевую метрику, данные, критерии успеха. • Строить прогнозные модели: регрессия, классификация, ансамбли (XGBoost / LightGBM / CatBoost), кластеризация, PCA. • Решать задачи Computer Vision: классификация изображений, детекция объектов, сегментация, трекинг, обработка видео с камер и VR-устройств. • Заниматься feature engineering: обработка пропусков, выбросов, категориальных признаков; создание признаков из бизнес-логики и визуальных данных. • Проектировать и анализировать A/B-эксперименты: расчёт размера выборки, контроль ошибок I/II рода, интерпретация результатов. • Проводить статистический вывод: проверка гипотез, p-value, доверительные интервалы. • Работать с продуктовыми метриками: retention, LTV, конверсия. • Готовить аналитические отчёты и дашборды, объяснять результаты нетехническим стейкхолдерам. • Участвовать в планировании задач и архитектуры аналитических решений, предлагать технические подходы. • Работать в команде: ветки, код-ревью, CI/CD.

Что ждём от вас

• Инженерная база
• Уверенный Python: чистый, тестируемый, воспроизводимый код (type hints, модули, venv).
• Git и культура работы с ветками/ревью; понимание CI-процессов на базовом уровне.
• PyTest — написание тестов для функций обработки данных и моделей.
• Docker — упаковка окружения и аналитических сервисов.
• SQL — уверенные запросы: JOIN, агрегации, оконные функции, подзапросы, CTE.
• Английский — чтение документации и научных статей.
• Математическая база
• Линейная алгебра, теория вероятностей, математическая статистика.
• Понимание метрик качества и принципов валидации моделей (train/val/test, кросс-валидация, стратификация).
• Понимание переобучения, утечки данных (data leakage) и методов борьбы с ними.
• Статистический вывод: проверка гипотез, p-value, доверительные интервалы.
• Дизайн A/B-экспериментов: расчёт размера выборки, контроль ошибок I/II рода, анализ результатов.
• Классический ML
• Регрессия, классификация — уверенное понимание постановки, метрик, диагностики.
• Ансамбли: XGBoost / LightGBM / CatBoost — практический опыт.
• Кластеризация, PCA — понимание и практическое применение.
• Feature engineering: обработка пропусков, выбросов, категориальных признаков; создание признаков из бизнес-логики.
• Computer Vision
• Классификация изображений: CNN, transfer learning, аугментации.
• Детекция объектов: YOLO / Faster R-CNN / SSD — практический опыт.
• Сегментация: U-Net / Mask R-CNN / SAM — понимание и применение.
• Трекинг объектов и обработка видео: оптический поток, трекинг по детекциям (SORT / DeepSORT).
• Работа с изображениями и видео: OpenCV, PIL/Pillow, torchvision.
• Метрики CV: IoU, mAP, precision/recall по классам, F1.
• Подготовка данных для CV: разметка, аугментации (Albumentations), балансировка классов, работа с дисбалансом.
• Продуктовое мышление
• Понимание продуктовых метрик: retention, LTV, конверсия.
• Умение переводить бизнес-задачу в техническую постановку.
• Способность объяснить результат нетехническим стейкхолдерам.
• Самостоятельность: доведение задачи от постановки до результата без пошагового руководства.
• Участие в планировании задач и архитектуры аналитических решений: умение предложить структуру витрины данных, выбрать инструменты и обосновать выбор.
• Инструменты
• pandas, NumPy — основной инструментарий обработки данных.
• scikit-learn — построение и валидация моделей (Pipeline, ColumnTransformer, кросс-валидация, метрики).
• PyTorch — обучение CV-моделей; torchvision.
• OpenCV, PIL/Pillow — обработка изображений и видео.
• Albumentations — аугментации.
• Matplotlib / Seaborn / Plotly — визуализация данных и результатов.
• XGBoost / LightGBM — градиентный бустинг.
• SQL, Git.
• GitLab — основная платформа.
• Будет плюсом
• Polars — быстрая обработка больших датафреймов.
• PySpark — работа с большими данными.
• MLflow — трекинг экспериментов и версионирование моделей.
• Airflow — оркестрация пайплайнов данных.
• Streamlit / Dash — быстрые интерактивные дашборды и прототипы.
• TensorFlow / Keras — альтернативный фреймворк для CV.
• Detectron2, MMDetection — фреймворки для детекции и сегментации.
• Работа с 3D-данными: point clouds, depth maps, стерео-зрение.
• C/C++, Rust, Go — для инфраструктурных задач.
• Unreal Engine 5 — понимание среды, в которой работают наши симуляции.

Что предлагаем