Scientific ML Engineer (сенсорные данные, physics-informed models)

В сильную команду R&D ищем специалиста, который сможет выстроить практический контур работы с данными и моделями для волоконно-оптического гироскопа: сформировать требования к датасету, построить pipeline подготовки и обучения, обучать модели семейства LSTM / PINN и проверять их качество на синтетических и реальных данных.

Собирать и уточнять требования к данным для обучения моделей по ВОГ: какие сигналы, режимы прогона и метаданные нужны для синтетики и реальных испытаний.

Формировать реалистичную структуру датасета для временных рядов, включая данные по дрейфу, температуре, скорости её изменения и, при необходимости, сигналам контура ориентации.

Проектировать и поддерживать pipeline подготовки данных: очистка, синхронизация, расчёт производных, нарезка последовательностей.

Разрабатывать и обучать модели для компенсации дрейфа и смещения, включая LSTM (сеть долгой краткосрочной памяти) и PINN (физически-информированная нейросеть), где в обучение включаются физические ограничения и уравнения.

Настраивать и сравнивать baseline-алгоритмы и гибридные модели на синтетических и живых данных.

Организовывать тестирование качества моделей: по drift/bias, устойчивости во времени, переносимости между режимами и влиянию на итоговую оценку угла.

Готовить результаты к внедрению: описание входов/выходов модели, предобработки, тестовых сценариев и критериев проверки.

Опыт работы с временными рядами и построением ML/DL-pipeline: подготовка данных, обучение, валидация, воспроизводимые эксперименты.

Уверенное владение Python и основными библиотеками для обучения моделей.

Понимание, как работать с сенсорными данными и шумами измерений: bias, drift, filtering, resampling, синхронизация каналов.

Понимание sensor fusion / attitude estimation: гироскоп, акселерометр, магнитометр, комплементарные фильтры, оценка смещения гироскопа.

Опыт или готовность быстро погрузиться в physics-informed / scientific machine learning: PINN, ODE/PDE, физические ограничения в loss-функции, inverse problems.

Умение переводить инженерную постановку задачи в требования к датасету и к экспериментам/прогонам.

Плюсом будет опыт работы с инерциальными системами, гироскопами, навигацией, встраиваемыми алгоритмами или подготовкой моделей для edge/embedded-среды.

Кого мы по сути ищем

Если совсем коротко: это не «просто Data Scientist», а скорее Scientific ML Engineer, который умеет:

• разговаривать с физиками и стендистами на языке данных;
• понимать, какие сигналы реально нужны для модели;
• строить датасет и pipeline;
• обучать и валидировать модели;
• доводить результат до состояния, пригодного для внедрения.

Мы предлагаем

• Амбициозные задачи: участие в создании передовой технологии высокоточной навигации с реальным влиянием на конечный продукт.
• Карьерный трек: прозрачная перспектива роста от инженера до руководителя с расширением зоны ответственности и полномочий.
• Профессиональная среда: работа в сильной междисциплинарной команде (оптика, электроника, DSP, FPGA, ML), возможность публиковать результаты и патентовать разработки.
• Заработная плата: конкурентный уровень (обсуждается индивидуально с каждым кандидатом), регулярный пересмотр по результатам работы.
• Оформление: полное соблюдение ТК РФ, заработная плата два раза в месяц.