
机器学习工程师,计算机视觉(混合办公,波兰)
负责 WSC Sports 实时视频平台的生产级计算机视觉系统,涵盖模型评估到部署的完整流程。 优化体育视频工作负载中的 GPU 推理、基准测试与验证。
描述
- 主导视频理解能力的开发,包括检测、跟踪、识别和场景分析。
- 通过批处理、精度调优和编译提升 GPU 推理吞吐量并降低成本。
- 跟踪生产环境中的质量和延迟,调查故障并修复回归问题。
- 按运动项目、联赛和内容类型创建并维护带标签的体育基准数据集。
- 设定并监控模型指标,例如 mAP、F1、精确率、召回率、IoU、延迟和 GPU 成本。
- 系统地比较模型,并使用公司数据复现已发表的结果。
- 撰写决策备忘录,说明建议、权衡因素和许可事项。
- 维护回归测试以及影子或 A/B 流水线,在发布前验证模型和配置更新。
- 跟进研究论文、模型发布和排行榜,筛选待评估的候选方案。
任职要求
- 至少 3–5 年交付生产级机器学习系统的经验,其中包括 2 年以上计算机视觉经验;有视频经验者优先。
- 熟练掌握 Python 和 PyTorch。
- 具备使用 TensorRT 和 ONNX Runtime 分析并优化 GPU 推理性能的实践经验。
- 至少在以下领域中的两个具备实操经验:目标检测与分割;OCR 与场景文本识别;或视频动作识别与时间定位。
- 具备创建测试集、计算 mAP、F1 和时间 IoU,以及严谨比较模型的经验。
- 能够批判性评估研究论文和模型卡,并复现已发表的研究结果。
- 具备使用 Docker、基于队列的服务和云端 GPU 基础设施进行生产部署的经验。
- 具备大规模视频处理经验,包括 FFmpeg、解码流水线和帧采样。
- 书面沟通能力强,能够记录技术权衡并提出清晰建议。
- 优先考虑具备以下经验者:Azure Service Bus 和 Blob Storage、消息驱动架构、视觉语言模型、多模态理解、特定领域视觉微调、自监督学习、合成数据生成、CVAT、Label Studio、影子部署、A/B 测试或商业模型许可。
福利待遇
- 负责完整的机器学习生命周期,从复现研究、创建基准到优化实时 GPU 工作负载。
- 大规模推动生产环境改进,通过模型优化降低基础设施成本和延迟。
- 加入以证据为导向的工程团队,重视 A/B 测试、影子部署和统计验证。
相关职位

