Az Orca AI mesterségesintelligencia- és számítógépeslátás-rendszereket fejleszt a tengeri, közlekedési és logisztikai iparágak számára. SeaPod és FleetView termékei a legénység helyzetfelismerésének javításával, a figyelőfunkciók automatizálásával és valós idejű működési információk biztosításával támogatják az autonóm hajózást. A vállalat célja, hogy segítse a hajózási üzemeltetőket a biztonságosabb navigációs döntések meghozatalában, a hatékonyság növelésében és a fenntarthatóbb tengeri működés előmozdításában.
Edge számítógépes látásmérnök Izraelben (hibrid)
Valós idejű számítógépes látórendszereket fejleszt és optimalizál az Orca AI tengeri biztonságtechnológiájához. Javítja a hajók fedélzetén telepített hardveren futó következtetés sebességét, megbízhatóságát és megfigyelhetőségét.
Leírás
- Élő tengeri videót feldolgozó, valós idejű számítógépes látási folyamatok fejlesztése és optimalizálása peremhálózati rendszereken
- Kutatási modellek megbízható, éles környezetre kész komponensekké alakítása, amelyeket hajók fedélzetén telepítenek
- A következtetési teljesítmény javítása kvantálással, metszéssel és gráfszintű optimalizálással
- A teljes többkamerás folyamat profilozása és optimalizálása, beleértve a videobevitelt, az előfeldolgozást, a következtetést és az utófeldolgozást
- A CPU-t, GPU-t, memóriát és a folyamatok összehangolását érintő teljesítménykorlátok feltárása és megszüntetése
- A késleltetés, pontosság, stabilitás és erőforrás-használat közötti kompromisszumok értékelése és indoklása
- Megbízható videóból kimenetet előállító adat- és következtetési folyamatok tervezése, amelyek hasznosítható információt biztosítanak a legénység számára
- Benchmark- és értékelési folyamatok létrehozása a végpontok közötti teljesítményméréshez és a kiadási döntésekhez
- Megfigyelhetőségi képességek és hibakeresési folyamatok fejlesztése éles rendszerekhez
- Jól meghatározott interfészek kialakítása és fenntartása a kutatási kód és az éles szoftver között
- Együttműködés a kutatási és backendcsapatokkal az új modellek éles környezetbe juttatásáért
- A rendszer hatékonyságának és megbízhatóságának javítása a hardver- és futásidejű korlátok között
Követelmények
- Legalább öt év tapasztalat éles rendszerek fejlesztésében, ezen belül legalább két év számítógépes látásra vagy valós idejű videofolyamatokra összpontosítva
- Gyakorlati tapasztalat éles számítógépes látási vagy mélytanulási rendszerek fejlesztésében és üzemeltetésében
- Haladó szintű modern C++-ismeretek, beleértve a többszálú és valós idejű programozást, valamint erős Python-tapasztalat
- Tapasztalat edge- vagy beágyazott platformokra, például NVIDIA Jetsonra történő fejlesztésben
- A következtetés-optimalizálási technológiák, például a CUDA, TensorRT, ONNX, GStreamer vagy DeepStream erős ismerete, valamint a CPU-, GPU-, memória- és késleltetési korlátok ismerete
- Profilozásra épülő megközelítés az optimalizáláshoz és a teljesítményhangoláshoz
- Képesség összetett rendszerek hibakeresésére és viselkedésük értékelésére zajos, valós környezetekben
- Egyedi, nagy teljesítményű adat- vagy következtetési folyamatok fejlesztésében szerzett tapasztalat jelentős előnyt jelent
- A többérzékelős adatfúzió, például kamera- és radarállományok kombinálásának ismerete jelentős előnyt jelent
- A gépi tanulási modellek éles környezetbe telepítésében és üzemeltetésében szerzett tapasztalat jelentős előnyt jelent
- Alacsony szintű optimalizálásban vagy C++ teljesítményhangolásban szerzett tapasztalat jelentős előnyt jelent
- Bizonyított tapasztalat a modellkövetkeztetés optimalizálásában TensorRT, ONNX Runtime, kvantálás, metszés vagy hasonló módszerek használatával jelentős előnyt jelent