Мы ищем ML Engineer / Applied Scientist для присоединения к многодисциплинарной команде, работающей над проектом сетевого интеллекта и надёжности распределённой беспроводной сенсорной сети. Роль сосредоточена на оценке осуществимости и потенциальной ценности машинного обучения и продвинутой аналитики для понимания состояния сети, предсказания деградации, прогнозирования ёмкости, поддержки принятия решений и предиктивного обслуживания.
Вы будете работать с реальными данными телеметрии сети, историческими операционными данными, данными, сгенерированными симулятором, и контролируемыми полевыми экспериментами.
ML & Data feasibility
– Оценить доступность и качество исторических данных для задач ML
– Проанализировать покрытие данных, распределение классов/событий, временное покрытие и качество разметки
– Выявить пробелы в данных и определить, требуется ли дополнительная инструментализация или сбор данных
– Оценить, содержит ли доступные данные достаточный сигнал для предиктивных или классификационных задач
– Определить подходящие стратегии обучения, валидации и тестирования для временных и сетевых данных
– Избежать утечки данных и обеспечить, чтобы оценка отражала реалистичные условия развертывания
Network-state analytics
– Работать с Network Architect и Data Engineer над определением представления состояния сети, готового к анализу
– Анализировать состояния сети на основе переменных, таких как: топология, статус узлов/связей, маршрутизация, RSSI/SNR, потеря пакетов, задержка, трафик/нагрузка, состояние батареи, доступность устройств
– Разрабатывать аналитические и ML‑подходы для идентификации здоровых, деградированных, ограниченных или нестабильных состояний сети
– Исследовать временные паттерны и переходы между состояниями сети
Baseline development
– Устанавливать воспроизводимые статистические и детерминированные базовые линии
– Определять подходящие метрики оценки для каждой гипотезы
– Сравнивать кандидатные ML‑модели с простыми базовыми линиями
– Квантифицировать, обеспечивает ли ML значимое улучшение по сравнению с существующими подходами
– Анализировать компромиссы между точностью, сложностью, интерпретируемостью и требованиями к реализации
Simulator-based experiments
– Работать с Network/Embedded Engineer, используя существующий сетевой симулятор для контролируемых экспериментов
– Анализировать наборы данных, сгенерированные симулятором
– Сравнивать распределения симулированных и реальных данных
– Оценивать, можно ли безопасно использовать синтетические данные для разработки и оценки моделей
– Поддерживать генерацию сценариев и дизайн экспериментов
– Оценивать, обобщаются ли результаты симулятора на наблюдаемое реальное поведение сети
– Помогать выявлять требования к калибровке симулятора
– 4+ лет профессионального опыта в Machine Learning, Applied Data Science, Data Science Engineering или смежной области
– Сильные навыки Python и практический опыт работы с ML/данными научными рабочими процессами
– Глубокое понимание: контролируемого и неконтролируемого обучения; классификации; регрессии; анализа временных рядов; обнаружения аномалий; прогнозирования; оценки моделей.
– Опыт работы с временными и событийными наборами данных
– Твердое понимание утечки данных, разбиения на train/validation/test и методологии оценки
– Опыт построения воспроизводимых ML‑экспериментов
– Сильные статистические основы
– Опыт создания и оценки небазовых ML‑базовых линий
– Способность работать с несовершенными, шумными и неполными реальными данными
– Способность преобразовать техническую/бизнес‑гипотезу в измеримый ML‑эксперимент
– Способность донести результаты модели, её ограничения и неопределённость до технических и нетехнических заинтересованных сторон
– Network / Telemetry / IoT
– Опыт работы с данными, генерируемыми: беспроводными сетями, IoT‑устройствами, сенсорными сетями, телекоммуникационными системами, распределённой инфраструктурой, промышленными системами, робототехникой, edge‑устройствами
– Опыт с сетевой телеметрией, такой как: RSSI, SNR, потеря пакетов, задержка, качество связи, маршрутизация, топология, нагрузка сети, доступность узлов, телеметрия батареи
– Graph & Network analytics
– Simulation & Synthetic data
– Forecasting & Reliability
– Опыт в: предсказании деградации, моделировании надёжности, предиктивном обслуживании, прогнозировании ёмкости, обнаружении аномалий, предсказании отказов, анализе выживаемости/жизненного цикла
– Опыт в телекоммуникациях, IoT, промышленных системах, робототехнике, обороне или других областях физических систем будет сильным преимуществом.