Что должен уметь Senior }

Применяет алгоритмическую экспертизу в компьютерном зрении: оптимизация алгоритмов обработки изображений (свёртка, морфологические операции), эффективные алгоритмы извлечения фич, non-maximum suppression для постобработки детекции объектов. Проектирует алгоритмы инференса реального времени, балансируя ограничения точности и задержки.

Проектирует async-архитектуры для CV-систем: async-пайплайны загрузки данных для обучения, конкурентная обработка запросов инференса, GPU-aware async-планирование. Менторит команду по async-паттернам для оптимизации пропускной способности CV-пайплайна.

Проектирует стандарты качества кода для CV-пайплайнов: структура кода обучения моделей, ясность inference-пайплайнов, модульность предобработки данных. Рефакторит исследовательские прототипы в production-ready CV-системы с правильной обработкой ошибок и логированием. Внедряет quality gates для кода model serving.

Обладает глубокой экспертизой в многопоточности для CV: проектирует мульти-GPU архитектуры обучения с эффективным параллелизмом данных, внедряет конкурентные пайплайны инференса для CV-приложений реального времени, оптимизирует управление памятью на границах GPU/CPU. Менторит команду по высокопроизводительным параллельным вычислениям для computer vision.

Применяет ООП/SOLID в архитектуре CV-систем: strategy pattern для сменяемых бэкендов моделей, абстрактные интерфейсы пайплайнов для стадий пре-/постобработки, dependency injection для провайдеров датасетов/аугментации. Проектирует расширяемые CV-фреймворки, позволяющие добавлять новые архитектуры моделей без изменения кода пайплайна.

Выбирает оптимальные структуры данных для систем компьютерного зрения: k-d деревья для пространственного поиска ближайших соседей, октодеревья для обработки 3D-облаков точек, эффективные layout тензоров для пакетной обработки на GPU. Оптимизирует пайплайны данных изображений с memory-mapped массивами и буферами предзагрузки. Проектирует структуры хранения аннотаций для управления большими датасетами.

Проектирует архитектуры памяти для продуктовых CV-систем: управление пулами GPU-памяти, unified memory для обмена данными CPU-GPU и потоковая обработка для видео высокого разрешения. Реализует кастомные аллокаторы для пайплайнов инференса реального времени. Оптимизирует загрузку моделей и sharing весов между потоками инференса. Менторит команду по отладке GPU-памяти (cuda-memcheck, nsight) и профилированию аллокаций.

Проектирует API инференса компьютерного зрения на FastAPI с асинхронными пайплайнами обработки изображений. Оптимизирует стриминговые эндпоинты для анализа видео в реальном времени. Выбирает фреймворки, балансируя пропускную способность и память. Менторит команду по эффективной обработке медиа.

Проектирует архитектуры кэширования Redis для пайплайнов компьютерного зрения — кэширование feature-векторов изображений для поиска по схожести, кэширование результатов инференса для повторных запросов и управление распределёнными очередями задач для пакетной обработки. Оптимизирует структуры данных Redis для высокопроизводительных данных зрения. Менторит команду по стратегиям кэширования для приложений зрения реального времени.

Проектирует S3-хранилище для масштабных датасетов изображений/видео и артефактов моделей. Реализует версионированные пайплайны датасетов с S3 Select для эффективных запросов. Оптимизирует multipart-загрузки для приёма обучающих данных.

Проектирует системы очередей задач для pipeline компьютерного зрения: распределённая обработка изображений/видео, GPU-aware планирование задач и агрегация результатов. Реализует стратегии повторных попыток и dead letter queues для обработки сбоев.

Проектирует архитектуру PostgreSQL для инфраструктуры данных CV: оптимизирует БД для управления аннотациями большого масштаба и версионирования датасетов, внедряет эффективный поиск метаданных по миллионам изображений, настраивает партиционирование для управления жизненным циклом обучающих данных. Менторит команду по паттернам БД для пайплайнов данных computer vision.

Проектирует архитектуру gRPC API для продакшн-платформ компьютерного зрения — service mesh мульти-модельного инференса с эффективными proto-схемами, пайплайны видео-стриминга с flow control и версионированные контракты vision-сервисов с поддержкой эволюции моделей. Определяет стандарты обработки ошибок для vision-специфичных сбоев и оптимизирует proto-сериализацию для высокопроизводительной обработки изображений.

Проектирует архитектуру API для CV-сервисов: высокопропускные эндпоинты обработки изображений, async API инференса с webhook callbacks, API потокового анализа видео. Определяет API-контракты для компонентов CV-пайплайна. Менторит команду по оптимизации дизайна API для больших бинарных payload и CV реального времени.

Проектирует инфраструктурные решения AWS для продакшн-систем компьютерного зрения — мульти-GPU кластеры обучения EC2, эндпоинты инференса реального времени SageMaker и пайплайны обработки изображений на S3. Оптимизирует затраты через стратегии spot-инстансов для обучения и right-sized эндпоинты инференса. Внедряет security hardening для нагрузок зрения с VPC-изоляцией, шифрованием артефактов моделей и контролями доступа к чувствительным данным изображений.

Проектирует Docker-инфраструктуру для CV-систем: GPU-оптимизированные сборки контейнеров с CUDA/cuDNN слоями, архитектура масштабирования inference-сервисов, управление container registry для версионирования моделей. Внедряет лучшие практики управления GPU-памятью и контейнеров multi-model serving.

Проектирует инфраструктуру Kubernetes для продакшн-систем компьютерного зрения, требующих GPU-планирования, версионирования моделей и масштабирования инференса в реальном времени. Внедряет оптимизированные по стоимости GPU-пулы нод со spot-инстансами и вытесняемыми нагрузками. Применяет security hardening для сервинга моделей зрения с сетевыми политиками и сканированием образов.

Проектирует стратегию интеграционного тестирования многоступенчатых систем компьютерного зрения, включая калибровку камер, предобработку и мульти-модельный инференс. Внедряет автоматизированную валидацию визуального качества по всему пайплайну обработки. Оптимизирует тестовую пирамиду, балансируя тесты точности моделей с проверками аппаратной интеграции. Менторит команду по тестированию границ производительности CV-систем реального времени.

Проектирует стратегию тестирования для CV-пайплайнов: пирамида тестирования для этапов обработки изображений, визуальное регрессионное тестирование для выходов моделей, property-based тесты для инвариантов аугментации. Оптимизирует выполнение тестов с GPU-aware параллелизацией. Менторит команду по воспроизводимому CV-тестированию.

Проектирует архитектуру управления данными для CV-систем с Pandas/Polars: автоматическое версионирование датасетов, пайплайны кросс-датасетного анализа и инфраструктура данных для трекинга производительности моделей. Реализует эффективное управление аннотациями для датасетов миллионного масштаба. Создаёт фреймворки качества данных для валидации тренировочных данных. Менторит команду по эффективной обработке данных для CV-воркфлоу.

Глубоко владеет Видеоаналитика. Проектирует решения для production-систем. Оптимизирует и масштабирует. Менторит команду.

Глубоко владеет Детекция объектов. Проектирует решения для production-систем. Оптимизирует и масштабирует. Менторит команду.

Проектирует production-grade системы мониторинга для computer vision на масштабе. Внедряет автоматическое обнаружение dataset shift, деградации качества разметки и устаревания моделей в мультимодельных serving-архитектурах. Оптимизирует overhead мониторинга для высоконагруженных пайплайнов обработки видео и изображений. Менторит команду по стратегиям алертинга на основе SLO.

Глубоко владеет Основы Computer Vision. Проектирует решения для production-систем. Оптимизирует и масштабирует. Менторит команду.

Глубоко владеет Сегментация изображений. Проектирует решения для production-систем. Оптимизирует и масштабирует. Менторит команду.

Проектирует сквозную архитектуру трекинга экспериментов для CV-команд: интегрирует MLflow с CI/CD для автоматического сбора метрик, выстраивает версионирование артефактов для больших датасетов изображений, менторит инженеров по практикам воспроизводимых экспериментов

Обладает глубокой экспертизой комбинирования scikit-learn classical ML с deep learning feature extractors для гибридных CV-систем. Проектирует масштабируемые prediction-сервисы с joblib-сериализацией и оптимизацией sparse-матриц. Менторит команду по валидации несбалансированных визуальных датасетов.

Проектирует масштабируемые архитектуры ML-пайплайнов для крупных систем компьютерного зрения: оркестрация multi-GPU обучения, workflow дистилляции моделей и production inference pipeline с оптимизацией латентности.

Архитектурит MLflow tracking для масштабных CV-исследований: распределённое обучение на GPU, lineage экспериментов для цепочек distillation и автоматическое продвижение моделей по бенчмаркам COCO/ImageNet. Создаёт кастомные MLflow-плагины для CV-артефактов — аннотационных оверлеев и визуализаций инференса.

Проектирует архитектуру serving CV-моделей: edge-cloud гибридный inference для latency-critical приложений, multi-GPU serving с dynamic batching и пайплайны дистилляции моделей для оптимизации деплоя. Реализует мониторинг serving: латенси inference, утилизация GPU и трекинг точности предсказаний. Создаёт референсные архитектуры деплоя CV-моделей. Менторит команду по дизайну продуктовых CV-систем.

Проектирует end-to-end CV-системы в PyTorch: multi-task learning, knowledge distillation, кастомные loss для детекции/сегментации. Оптимизирует инференс с TorchScript, квантизацией и прунингом. Строит пайплайны видео реального времени с эффективным управлением GPU-памятью.

Обладает глубокой экспертизой применения ChatGPT/Claude для разработки систем компьютерного зрения. Проектирует AI-ассистированные процессы для поиска архитектуры моделей, оптимизации пайплайнов обучения и документации vision-систем. Оптимизирует prompt engineering для сложных задач зрения и менторит команду по использованию LLM для ускорения исследований и разработки CV.

Проектирует стратегии внедрения GitHub Copilot для CV-команд: оптимизирует prompt engineering для кода архитектуры моделей и пайплайнов обучения, внедряет валидацию для AI-сгенерированных паттернов численных вычислений, оценивает точность Copilot для доменно-специфичных CV-алгоритмов. Менторит команду по эффективным практикам AI-ассистированной CV-разработки.

Проектирует процессы код-ревью для CV-пайплайнов: стандарты ревью кода обработки изображений, gates ревью производительности инференса моделей, чек-листы корректности аугментации данных. Менторит команду по ревью CV-кода на корректность и эффективность.

Проектирует Git-воркфлоу для CV-команд: внедряет стратегии интеграции LFS и DVC для управления большими датасетами, оптимизирует ветвление для параллельных экспериментов обучения моделей, автоматизирует версионирование артефактов в CI-пайплайнах. Менторит команду по воспроизводимому отслеживанию экспериментов через Git-based воркфлоу.