RocketHuntУмный поиск работы
Sonatus
Сеул, Южная Корея13 дней назад
Грейд
Senior
Опыт работы
от 5 лет
Формат работы
Гибрид
Уровень английского
B2 - Выше среднего
ИИ напишет его по твоему резюме, останется только отправить
В Sonatus мы способствуем трансформации в сторону автомобилей с программно-определяемым управлением на базе ИИ. Традиционные методы разработки автомобильного ПО не успевают за ожиданиями потребителей, сформированными мобильной индустрией, где функции быстро эволюционируют, бесшовно обновляются и постоянно совершенствуются. Именно поэтому ведущие OEM-производители доверяют Sonatus ускорение этого сдвига. Наши технологии уже используются в серийном производстве более чем 9 миллионов автомобилей на дорогах сегодня, и их число стремительно растет.
Штаб-квартира компании находится в Саннивейле, Калифорния. В Sonatus работает более 250 сотрудников по всему миру. Мы сочетаем гибкость быстрорастущей компании с масштабом и влиянием зарекомендовавшего себя партнера. При поддержке сильного финансирования и подтвержденного глобального развертывания мы решаем одни из самых интересных и сложных задач в отрасли. Присоединяйтесь к нам и помогите переосмыслить возможности, формируя будущее мобильности.
Штаб-квартира Sonatus находится в Саннивейле, Калифорния, с международными представительствами в Ирландии, Франции, Германии, Польше, Корее, Китае, Индии, Тайване и Японии. Данная позиция является гибридной и предполагает работу в нашем офисе в Пангео. Вы будете подчиняться директору отдела разработки.
Sonatus выводит ИИ производственного уровня на периферийные устройства автомобилей с помощью Fastlane™ Edge — внутренней среды выполнения ИИ, которая позволяет OEM-производителям развертывать, запускать, отслеживать и обновлять модели ИИ, виртуальные датчики и диагностическую логику на существующих автомобильных компьютерах. Наша организация Customer Success работает в виде целеустремленных команд (Mission-Driven Squads), которые несут полную сквозную ответственность за модуль — от внедрения до верификации и поддержки на месте.
Мы ищем Инженера по встраиваемым системам ИИ (Embedded AI Engineer) для нашей команды Customer Success в Корее, который займется внедрением edge AI в наши программы корейских OEM-производителей. Вы будете обеспечивать работу среды выполнения Fastlane Edge на оборудовании заказчика, подключать модели ИИ, разработанные партнерами, заказчиками и Sonatus, помогать инженерам заказчика создавать собственные модели с помощью Sonatus SDK, валидировать модели на реальных автомобилях и настраивать внутренние модели виртуальных датчиков Sonatus на данных заказчика с использованием нашего MLOps toolchain. Вы будете выступать в качестве технического контактного лица для заказчика по вопросам интеграции edge AI.
Это практическая роль для инженера, который уверенно работает в конвейере обучения Python, внутри контейнера Linux на автомобильном ECU и в автомобиле на тестовом полигоне заказчика. Разработка моделей является частью работы, но всегда направлена на достижение целей заказчика.
Подготовка оборудования: Подготовка и поддержка Fastlane Edge на целевых устройствах заказчика — шлюзах Sonatus (Fastlane Copilot) и блоках управления заказчика — включая подготовку CAN/CAN-FD, интеграцию DBC/ARXML, развертывание sandbox и Python-runtime, настройку политики безопасности и облачного подключения.
Интеграция SDK: Интеграция среды выполнения с платформами заказчика через Sonatus Southbound SDK, где прямой доступ к шине недоступен.
Владение Руководствами (Runbook Ownership): Ведение руководств по интеграции и конфигураций по умолчанию для Кореи; взаимодействие с командой платформы для превращения разовых исправлений демо-версий в объединяемый, выпускаемый код.
Упаковка моделей: Валидация, упаковка и развертывание пакетов моделей ИИ от партнеров, инженеров заказчика и Sonatus с использованием Sonatus ADK: сопоставление входных сигналов, проверка выборки и схемы вывода, проверка зависимостей, бюджеты ресурсов и развертывание OTA через Sonatus Cloud.
Проверка параллельной работы: Проверка одновременной работы нескольких моделей на одном ECU в рамках согласованных лимитов CPU/RAM; измерение и документирование профилей ресурсов для каждой модели и политик телеметрии.
Нативная Портировка и Оптимизация: Миграция моделей, разработанных на Python, в готовые для производства нативные пакеты (C++/ONNX Runtime), включая конвертацию моделей, нативную интеграцию и оптимизацию, с автоматической проверкой численно-параметрического соответствия эталонным реализациям.
Обучение и Часы поддержки (Office Hours): Проведение обучения по SDK/ADK и часов поддержки на корейском языке для инженеров заказчика, создающих собственные модели; поддержка разработки контрактов моделей (config.yml) и сопоставления сигналов с входами из баз данных сети заказчика.
Сбор требований: Помощь в сборе требований к рабочим нагрузкам ИИ заказчика (сценарии использования, сигналы, частота, целевые показатели точности/задержки, ограничения ресурсов и суверенитета данных) и их документирование для продуктовых команд Sonatus.
Документация как код: Отношение к документации как к коду: руководства по интеграции, FAQ по устранению неполадок и примечания к выпуску на корейском и английском языках.
MLOps Toolchain: Обработка данных с автомобилей заказчика через MLOps toolchain Sonatus: ввод и выравнивание данных, обучение на основе рецептов, A/B-сравнение семейств моделей (градиентный бустинг, временные сверточные и физически-информированные модели), экспорт ONNX, квантование и измерение задержки на целевом устройстве.
Настройка виртуальных датчиков: Настройка моделей виртуальных датчиков и оценки Sonatus на основе данных поездок заказчика и предоставление их в виде проверенных пакетов с отчетами для заказчика.
Ground Truth и Наборы данных: Определение сбора эталонных данных (reference sensors, co-logging) и версионирования наборов данных; внесение исправлений и улучшений в toolchain.
Тестовые поездки: Проведение валидационных и сравнительных поездок в автомобиле; участие в определении критериев приемки и протоколов теневого режима (shadow-mode) с заказчиком и QA Sonatus; предоставление отслеживаемых доказательств тестирования и, при необходимости, артефактов ASPICE v4 MLE.
Поддержка на месте: Поддержка крупных тестовых мероприятий и демонстраций на месте, устранение проблем интеграции непосредственно в автомобиле или на стенде.
Разбор дефектов: Выступление в качестве технического контактного лица по вопросам интеграции edge AI; воспроизведение, изоляция (пакет vs. среда выполнения vs. облако) и отслеживание дефектов, найденных заказчиком, на протяжении всего цикла выпуска Sonatus.
Инструменты ИИ: Использование инструментов ИИ, таких как Claude и GitHub Copilot, для ускорения создания рецептов, генерации тестов, анализа логов и документации, в рамках ограничений по управлению данными заказчика.
Образование: Степень бакалавра в области компьютерных наук, электротехники, машиностроения/систем управления или смежной области; предпочтительна степень магистра.
Опыт: 5+ лет опыта работы в области машинного обучения или встраиваемых систем; включая 2+ года развертывания моделей ML на периферийных устройствах или встраиваемых системах Linux. Опыт работы с заказчиками по интеграции, полевой поддержке или в качестве инженера по решениям является большим плюсом.
Языки и системы: Отличное знание Python; умение читать, создавать и отлаживать современный C++ (C++14/17); уверенные навыки отладки в Linux (systemd, процессы и логи, контейнеры; знакомство с cgroups, sandboxing, seccomp или проблемами общих библиотек/glibc является плюсом).
Структурированные данные устройств/сигналов: Практический опыт работы со структурированными данными устройств или сигналов на уровне шины — автомобильные (CAN/CAN-FD), промышленные полевые шины или аналогичные — включая сопоставление сигналов, выборку и временное выравнивание. Знакомство с автомобильными протоколами (DBC/ARXML, UDS, SOME/IP, DLT) является плюсом, но не обязательным требованием.
Развертывание ML: Опыт развертывания ML с использованием ONNX/ONNX Runtime и PyTorch или scikit-learn/XGBoost; знакомство с квантованием и профилированием задержки/памяти на целевых устройствах ARM (aarch64).
Прикладное моделирование: Опыт прикладного моделирования временных рядов или данных автомобильных сигналов (регрессия, оценка или обнаружение аномалий) и способность оценивать модели по согласованным метрикам.
ML Pipelines и Data Tooling: Опыт работы с воспроизводимыми ML-конвейерами и инструментами обработки данных, такими как Parquet, Apache Arrow или DuckDB, отслеживание экспериментов и версионирование наборов данных.
Верификационное мышление: Автоматизация тестирования на Python и анализ доказательств; готовность делить время между разработкой и валидацией в соответствии с поставленной задачей.
Коммуникация: Свободное владение корейским и профессиональный английский; четкое техническое письмо и уверенность в поддержке инженеров заказчика и участии в мероприятиях по тестированию на месте.
Сотрудничество: Ориентация на результат, сильные навыки решения проблем и способность эффективно сотрудничать с заказчиком и внутренними командами.
Опыт работы с платформами: Практический опыт работы с платформами NXP S32 family / eIQ Auto, Qualcomm SA8xxx / SNPE-QNN или аналогичными встраиваемыми вычислительными платформами.
Динамика автомобиля: Знание предметной области динамики автомобиля, систем управления шасси или кузовом; предыдущий опыт работы с виртуальными датчиками или их заменой.
IT и стеки безопасности OEM: Знакомство с IT и стеками безопасности OEM (Kubernetes, Harbor/Nexus, Kafka, SonarQube/Blackduck, процессы проверки безопасности) и требованиями суверенитета данных.
Осведомленность о стандартах: Осведомленность о ASPICE v4 (группа процессов Machine Learning Engineering), ISO 26262 и ISO 21448 применительно к компонентам ML.
Инженерия с помощью LLM: Опыт работы с рабочими процессами инженерии с помощью LLM (agent tooling, MCP) и их оценка.
Инструменты и процессы: Опыт работы с Jira/Confluence, Git-based workflows и Agile/Scrum в кросс-функциональных командах.
Оценка RocketHunt по реальным зарплатам
