Александр Б. , Middle, Backend разработчик

Приложение для детекции и классификации дефектов на солнечных панелях с помощью использования машинного обучения и компьютерного зрения. Работа с большими объемами данных.

1. Интеграция микросервисов по замерам и визуализации дефектов в имеющийся сервис

Инструменты автоматизации для сети магазинов автозапчастей.

1. Детекция проблем с освещением на фотографии
2. Исправление проблем с освещением на фотографии путем гамма-коррекции
3. Детекция проблем с четкостью фотографии
4. Исправление проблем с четкостью фотографии
5. Сегментация деталей с помощью моделей GroundingDINO и SegmentAnything
6. Постобработка маски (в том числе сглаживание), вырезание детали по маске и наложение фона
7. Реализация сервиса для массовой обработки фотографий (бэк и фронт)

Доработка прототипа модели машинного обучения, и алгоритмическая предобработка и постобработка по сегментации границ кровли на крышах зданий, изображенных на предоставленных заказчиком чертежах.

1. Формирование требований к датасету
2. Ревью датасета
3. Преобразование датасета для обучения модели сегментации путем генерации масок из изображений с обводкой
4. Поиск и реализация методов автоматической сегментации объектов (крыш)
5. Способы сегментации: (Сегментация областей крыш, cегментация контуров)
6. Протестированные модели: (SegmentAnything, UNet, MaskRCNN)
7. Эксперименты с постобработкой результатов сегментации (Скелетизация контуров, использование исходных чертежей для улучшения сегментированных масок, использование комбинации моделей (SAM + Unet))
8. Реализация простого веб-интерфейса для взаимодействия с моделью (Gradio)

Веб-сервис на основе ML-решений для оптимизации и персонализации предлагаемых страховых продуктов медицинского профиля.

1. Генерация искусственных данных для первичных экспериментов
2. Ревью и предобработка выгрузок данных
3. Доработка ТЗ (в т.ч. утверждение обновленной структуры данных)
4. Формирование графа из табличных данных (в формате networkx)
5. Визуализация графа (выгрузка для Gephi)
6. Использование memgraph для хранения данных и формирования запросов к ним
7. Конвертация исходных признаков сущностей в признаки узлов графа
8. Генерация разметки для сущностей (для задачи предсказания доли обращаемости по кампании - т.е. процента пользователей, которые хоть раз воспользовались услугами по своему сертификату)
9. Создание графовой нейронной сети (GNN) для предсказания целевой переменной (доли обращаемости)
10. Оптимизация модели, тестирование
11. Подготовка отчетности для Сколково

ML модель для предварительной оценки стартапов, претендующих на инвестиции.

1. Разработка финтех сервиса, реализация REST API, работа с графами.
2. Работа с графовыми БД,