Что должен уметь Lead }

Определяет алгоритмические стандарты для CV-команды: критерии выбора алгоритмов обработки изображений, бенчмарки оптимизации инференса, оценка алгоритмов аугментации данных. Проводит ревью алгоритмических решений в CV-пайплайнах реального времени.

Определяет стандарты асинхронного программирования для CV-команды: гайдлайны async-пайплайнов загрузки данных, ревью архитектуры конкурентного инференса, GPU-aware async-паттерны планирования. Устанавливает best practices для async-паттернов в системах CV-обработки.

Определяет стандарты качества кода для команды CV-инженерии: конвенции кода пайплайнов обучения, документация экспериментов с моделями, практики ревью кода инференса. Проводит архитектурные ревью дизайна CV-систем. Устанавливает quality gates для готовности моделей к деплою.

Определяет стандарты многопоточности для CV-команд: устанавливает руководства для мульти-GPU архитектур обучения, проводит ревью дизайна конкурентных пайплайнов инференса, создаёт обучающие материалы по паттернам параллельных вычислений для приложений computer vision.

Определяет стандарты ООП/SOLID для CV-команды: гайдлайны абстракции пайплайна обработки изображений, интерфейсные контракты бэкендов инференса, архитектура модулей аугментации данных. Проводит ревью решений по дизайну классов в системах обработки CV реального времени.

Определяет стандарты структур данных для CV-команды: дизайн схем аннотаций, организация обучающих датасетов, конвенции пайплайнов данных инференса. Проводит ревью решений по архитектуре данных CV. Устанавливает командные гайдлайны для эффективной обработки данных изображений и форматирования входных данных моделей.

Определяет стандарты управления памятью для команд CV/ML-инжиниринга. Устанавливает governance GPU-памяти: политики аллокации, размеры пулов памяти и стратегии предотвращения OOM. Проводит архитектурные ревью memory-critical пайплайнов. Создаёт обучающие материалы по оптимизации GPU/CPU памяти для команды.

Определяет архитектуру API платформ компьютерного зрения, обслуживающих пайплайны обработки изображений и видео через FastAPI. Устанавливает стандарты обработки загрузки медиа, эндпоинтов пакетного инференса и стриминга результатов. Проводит ревью дизайна и определяет дорожную карту масштабирования CV-сервисов.

Определяет стратегию кэширования Redis для платформ компьютерного зрения — формирует стандарты кэширования фич изображений, TTL результатов моделей и управления очередями пакетной обработки. Проводит ревью дизайна кэширования vision-пайплайнов и определяет техническую дорожную карту для инфраструктуры данных зрения реального времени.

Определяет архитектурные решения по S3 / Object Storage на уровне продукта. Формирует стандарты. Проводит design review и определяет технический roadmap.

Определяет архитектуру очередей задач для масштабной обработки изображений: многоэтапные pipeline с паттернами fan-out/fan-in, resource-aware планирование по GPU-кластерам и управление приоритетами на основе SLA для real-time и пакетных нагрузок.

Определяет стратегию данных PostgreSQL для CV-команд: устанавливает стандарты хранения метаданных изображений и аннотаций, проектирует архитектуру БД для управления датасетами в масштабе, обеспечивает внедрение лучших практик PostgreSQL для пайплайнов данных computer vision.

Определяет стратегию gRPC API для портфелей сервисов компьютерного зрения — формирует governance proto для контрактов сервинга моделей зрения, проектирует кросс-командные политики эволюции схемы для API vision-пайплайнов и координирует стандартизированные паттерны стриминга для сервисов обработки изображений/видео.

Определяет API-стратегию для CV-сервисов на уровне продукта: стандарты производительности inference API, governance API обработки изображений/видео, политики жизненного цикла эндпоинтов model serving. Проводит архитектурные ревью API для сервисов CV-платформы.

Определяет стратегию инфраструктуры AWS для платформ компьютерного зрения, охватывающих GPU-кластеры обучения и деплои инференса. Формирует стандарты IaC для провижининга нагрузок зрения и автоматизации деплоя моделей. Проводит архитектурные ревью, оптимизируя соотношение стоимость-производительность GPU, и продвигает FinOps для вычислительных ресурсов зрения.

Определяет стратегию Docker-инфраструктуры для CV-систем: governance GPU-контейнерной платформы, стандарты контейнеров model serving, ревью архитектуры масштабирования инференса. Проводит архитектурные ревью контейнеризации CV-пайплайнов и оптимизирует FinOps для GPU-контейнерных нагрузок.

Определяет стратегию инфраструктуры Kubernetes для нагрузок компьютерного зрения на GPU-кластерах. Формирует стандарты IaC для деплоя моделей, управления GPU-ресурсами и автомасштабирования инференса. Проводит архитектурные ревью, оптимизируя соотношение стоимость-производительность для обработки зрения, и координирует FinOps для GPU-вычислений.

Определяет стратегию интеграционного тестирования продакшн-систем компьютерного зрения на edge-устройствах и облачных обработках. Формирует стандарты качества для точек интеграции vision-пайплайнов, включая бенчмарки точности и SLA по задержкам. Внедряет культуру shift-left тестирования с ранней валидацией спецификаций камер и матриц совместимости моделей.

Определяет стратегию тестирования на уровне продукта для CV-систем: стандарты визуального регрессионного тестирования, governance тестирования точности моделей, фреймворки тестирования производительности инференса. Устанавливает культуру shift-left тестирования для CV-пайплайнов с автоматическими quality gates для деплоя моделей.

Определяет стратегию данных для команд CV-инжиниринга. Формирует data-платформу для компьютерного зрения: инструменты управления датасетами, стандарты пайплайнов аннотации и governance качества данных для тренировочных данных. Координирует команды по практикам обмена данными и переиспользованию датасетов между проектами. Продвигает внедрение эффективных инструментов обработки данных.

Определяет стратегию Видеоаналитика на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию Детекция объектов на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию Мониторинг моделей на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию Основы Computer Vision на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию Сегментация изображений на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию трекинга экспериментов для CV-команд: стандартизирует отслеживание эволюции датасетов, метрик качества разметки и производительности моделей по целевым платформам; обеспечивает линейность экспериментов для соответствия регуляторным требованиям критичных систем компьютерного зрения

Определяет стратегию команды по интеграции scikit-learn classical ML в CV-pipeline наряду с deep learning. Устанавливает стандарты бенчмаркинга моделей и протоколов оценки для задач detection и classification. Проводит ревью архитектуры ML-pipelines на воспроизводимость.

Определяет стратегию ML-пайплайны на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию MLflow на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию model serving для команд CV-инжиниринга. Устанавливает стандарты производительности inference, governance GPU-ресурсов и пайплайны деплоя моделей. Проводит архитектурные ревью инфраструктуры CV serving. Продвигает внедрение оптимизированных паттернов inference для продуктовых CV-систем.

Определяет стратегию PyTorch на уровне команды/продукта. Формирует стандарты и best practices. Проводит review.

Определяет стратегию внедрения ChatGPT/Claude для команд инженерии компьютерного зрения. Формирует стандарты AI-ассистированной разработки моделей, процессов ускорения исследований и prompt engineering для задач зрения. Проводит ревью паттернов интеграции LLM в CV-разработку, обеспечивая качество и воспроизводимость.

Определяет стратегию GitHub Copilot для CV-команд: устанавливает руководства для AI-ассистированной разработки моделей, проектирует воркфлоу валидации для AI-сгенерированного кода численных вычислений, обеспечивает внедрение лучших практик Copilot для кода пайплайнов обучения и инференса.

Определяет стратегию код-ревью для CV-команды: стандарты ревью кода обработки изображений, governance ревью инференса моделей, практики ревью CV-пайплайнов. Устанавливает культуру ревью для качества и производительности CV-кода.

Определяет Git-стратегию для CV-команд: устанавливает стандарты версионирования моделей, датасетов и конфигураций обучения, проектирует архитектуру репозиториев для общих CV-компонентов, обеспечивает внедрение лучших практик LFS/DVC для управления большими артефактами между исследовательскими и продуктовыми командами.