Аналитик-разработчик в автономный транспорт

Мы — группа сбора корзин в автономном транспорте — замеряем качество наших технологий. Основная наша задача — собирать датасеты для всех компонентов транспорта, от локализации местоположения до планирования собственного движения. Но почему это не просто train_test_split? Две основные причины: Абсолютное большинство сценариев проезда — «однотипные» и «скучные». Но с улучшением технологий мы хотим уметь различать всё более мелкие изменения, потому что каждый следующий шаг даётся тяжелее, хоть и имеет больший вес. Один из способов решить эту проблему — искусственно увеличить долю редких сценариев, при этом не потеряв возможность смотреть и на случайные интервалы. Базовая идея похожа на Active learning, его мы тоже планируем активно внедрять. Кстати, определение «однотипности» и «интересности» — ещё одна из наших задач. В автономном транспорте есть пять компонентов, отвечающих за автономность. Ещё есть много смежных задач, которые не занимаются автономностью в рантайме, но их качество тоже нужно замерять. Например, это качество симуляции движения. Чтобы правильно определять направление движения и помогать командам корректировать его, мы собираем датасеты отдельно для каждой крупной задачи. Определение «интересности» и «однотипности» отрезков реальных (и симуляционных) проездовНе все отрезки одинаково полезны, а запускать симуляцию на идентичных поездках — и вовсе пустая трата ресурсов. Для похожих входов мы получаем похожие выходы и никакой полезной информации. Правильно уникализировав и взвесив поездки, можно сэкономить вычислительные и временные ресурсы, то есть симулировать больше данных! Важный нюанс: «интересность» и «однотипность» зависит от компоненты. Например, локализация обращает внимание на местоположение и объекты вокруг автономного транспорта, а восприятие — на препятствия и агентов, пытаясь предсказать их поведение и влияние на транспорт. Расширенная медицинская страховка начинает работать с первого месяца в Яндексе. В неё входят стоматология, ежегодные чекапы, неотложная помощь за рубежом, лечение критических заболеваний, в том числе онкологии, и страхование от несчастных случаев. Мы оплачиваем 80% стоимости ДМС для детей и супругов, вы — остальные20%. В Яндексе есть всё, чтобы постоянно развиваться и учиться новому: внутренняя образовательная платформа, менторство и программы для начинающих и опытных руководителей. Также мы оплачиваем участие в профильных конференциях — как в качестве спикера, так и в качестве участника. Кроме того, в Яндексе есть внутренние проекты, где наши сотрудники делятся экспертизой, обсуждают сложные темы и разбирают кейсы своих проектов. Во всех крупных офисах Яндекса есть спортзалы со всем необходимым: тренажёрами, спортивным инвентарём, душевыми, шкафчиками для одежды и вещей. Можете заниматься самостоятельно, а можете с корпоративным тренером. В Яндексе есть спортивный клуб и много спортивных команд. У них есть свои лидеры, чаты, программы тренировок. А ещё они регулярно участвуют в забегах, триатлонах, «Гонке героев», футбольных и других соревнованиях. Вы сможете присоединиться к существующим командам или собрать свою.

— Абсолютное большинство сценариев проезда — «однотипные» и «скучные». Но с улучшением технологий мы хотим уметь различать всё более мелкие изменения, потому что каждый следующий шаг даётся тяжелее, хоть и имеет больший вес. Один из способов решить эту проблему — искусственно увеличить долю редких сценариев, при этом не потеряв возможность смотреть и на случайные интервалы. Базовая идея похожа на Active learning, его мы тоже планируем активно внедрять. Кстати, определение «однотипности» и «интересности» — ещё одна из наших задач. В автономном транспорте есть пять компонентов, отвечающих за автономность. Ещё есть много смежных задач, которые не занимаются автономностью в рантайме, но их качество тоже нужно замерять. Например, это качество симуляции движения. Чтобы правильно определять направление движения и помогать командам корректировать его, мы собираем датасеты отдельно для каждой крупной задачи. Уверенно владеете Python и SQL Имеете хорошую алгоритмическую подготовку. В работе мы не каждый день решаем LeetCode-like-задачи (хоть и такое бывает), но алгоритмическое мышление поможет вам правильно написать и протестировать хитрый код Знаете математическую статистику и теорию вероятностей Умеете находить общие решения и точки соприкосновения, доносить идеи, строить и визуализировать информативные графики Уважаете PEP 8 и чистый код Знакомы с Airflow, Hadoop, Spark, CH — всё это поможет вам быстрее влиться в технологическую среду Яндекса психотерапия в офисе или онлайн-сервисах; лазерная коррекция зрения через год работы