Lead Evaluation Engineer – Scenario Coverage & Datasets (Autonomous Driving)

Вы будете отвечать за покрытие тестов для стека автономного вождения от начала до конца. Области сценариев находятся в ответственности отдельных QA‑инженеров. Вы отвечаете за всё: за то, что наш набор данных оценки должен содержать, чтобы решение о выпуске было надёжным, за пробелы, которые никто, работающий в одной области, не может увидеть, и за то, как эти пробелы продолжают появляться, если вы не будете их находить.

• Владеть набором данных оценки. Что в нём есть, чего не хватает и что он позволяет нам утверждать о качестве автономного вождения.
• Владеть моделью покрытия. Наша таксономия сценариев и пространство параметров ODD должны оставаться точными по мере созревания технологии и изменения условий эксплуатации. Вы отвечаете за это: выявляете, где модель больше не описывает то, что наши транспортные средства действительно встречают, и работаете с QA‑инженером, отвечающим за каждую категорию, чтобы поддерживать её в актуальном состоянии.
• Сократить разрыв между сценариями и сценами. Для каждой узкой области выбирайте метод, который действительно произведёт необходимые сцены — добычу данных, симуляцию или полевые испытания — и знайте, сколько это стоит, прежде чем тратить ресурсы.
• Установить план добычи данных для команды QA. Определяйте, что каждый владелец области должен искать дальше, проверяйте полученные результаты и поддерживайте регулярный ритм сбора их обратной связи.
• Быть внутренним заказчиком наших инструментов добычи данных. Используйте их сами, превращайте полученные знания в требования для команд разработки и аналитики и поддерживайте обратную связь между QA и инженерией, чтобы инструменты шли в ногу с нашими запросами.
• Привносить то, что работает в других местах. Отслеживайте, как другие программы AV, исследовательские группы и поставщики решают задачи покрытия, курирования граничных случаев и отбора данных, и превращайте стоящие идеи в конкретные предложения.
• Работать через команды, от которых вы зависите. Покрытие становится видимым только после маркировки сцен и измеряется лишь при наличии правильных метрик, что делает маркировку и аналитику постоянными партнёрами, а не случайными. Давайте им чёткие приоритеты и конкретную, практичную обратную связь, и оставайтесь достаточно близки, чтобы рано заметить, когда что‑то, от чего вы зависите, находится под угрозой.
• Отчитываться о покрытии и готовности. Представляйте их в форме, позволяющей принять решение о выпуске — ясно указывая уровень уверенности и слепые зоны.

• 8+ лет в тестировании программного обеспечения, тестовой инженерии, валидации или оценке, включая 2+ года ответственности за стратегию тестирования или оценки полной системы, а не отдельной функции.
• Доказанный опыт расширения ответственности. Вы полностью владели областью от начала до конца, руководили или наставляли инженеров и улучшали работу команды, а не только исполняли задачи в рамках неё.
• Покрытие как первоклассная задача. Вы можете говорить о классах эквивалентности, пространствах параметров, приоритизации на основе риска и о том, что должно быть истинным, чтобы набор данных был достаточным.
• Практический опыт работы с данными. SQL и Python на уровне, позволяющем самостоятельно извлекать, объединять и проверять корректность набора метрик, а не подавать тикет.
• Свободное использование LLM в качестве рабочего инструмента — поиск по логам, триаж, генерация сценариев, подготовка отчётов, быстрые аналитические скрипты.
• Сильные навыки письменной коммуникации. Ваши отчёты читают руководители инженерных команд и наша служба безопасности.
• Способность точно рассуждать о правилах дорожного движения США и поведении реальных водителей — или быстро к этому прийти.

• Опыт найма QA‑инженеров — скрининг, интервью‑циклы и решения о найме/отказе, за которые вы берёте ответственность, будь то в вашей команде или в партнёрской.
• Автономные транспортные средства, робототехника, ADAS — или другая критически важная область (аэрокосмос, медицинские устройства, железные дороги, промышленная автоматизация). Полезно, но не обязательно.
• Знакомство с фреймворками тестирования на основе сценариев: таксономия ODD (ISO 34503), оценка безопасности на основе сценариев (ISO 34501/34502) и рамки SOTIF (ISO 21448) известное/неизвестное × безопасное/небезопасное. Не требуется; вы освоите их в процессе работы.
• Опыт работы с добычей данных, активным обучением или циклами отбора данных из больших наборов сенсорных, логов или выходов моделей.
• Опыт спецификации внутренних инструментов и работы с командой платформы.
• Опыт работы с динамикой транспортных средств или сенсорными модальностями (LiDAR, radar, камеры).

Кандидаты должны иметь разрешение на работу в США. Работодатель не предлагает переезд, спонсорство, а варианты удалённой работы недоступны. Avride является работодателем, предоставляющим равные возможности, и обязуется предоставлять разумные условия для квалифицированных соискателей и сотрудников с ограниченными возможностями, чтобы обеспечить им равный доступ к трудоустройству. Avride соблюдает закон Американцев с Инвалидностью (ADA); если вам требуется разумное приспособление для помощи в процессе подачи заявки или найма, или для выполнения основных функций работы, пожалуйста, напишите на jobs@avride.ai.