Используем cookie для работы сайта и статистики. «Хорошо» разрешит ещё и запись сессий.
RRohlik Group
Берлин, Германия · Мюнхен2 месяца назад
Грейд
Senior
Формат работы
Гибрид
Уровень английского
B2, выше среднего
Письмо на почту или сообщение рекрутеру в Telegram
Rohlik — ведущий европейский онлайн-продавец продуктов питания. Более миллиона клиентов покупают у нас продукты через Rohlik.cz, Knuspr.de, Kifli.hu, Gurkerl.at и Sezamo.ro, выбирая из более чем 17 000 товаров, которые доставляются в течение нескольких часов в 15-минутных интервалах.
Мы строим автономного продавца продуктов. Maia, наш ИИ-ассистент, уже общается с клиентами и формирует их заказы; агенты работают в отделах закупок и логистики; модели компьютерного зрения обучаются контролировать качество. Следующий рубеж — физический: роботы будут выполнять все больше работы в наших центрах обработки заказов, пока свежие продукты не будут доставляться от производителей к потребителям по цене, которую никто другой не сможет предложить.
Мы ставим перед собой задачу записывать, как наши сотрудники работают с продуктами, и преобразовывать эти записи в обучающий корпус для политик манипуляций. Наши склады уже регистрируют все, что произошло при каждой сборке и каждой проверке качества, поэтому записи могут содержать метки, которые редко встречаются в наборах данных. Создание такого корпуса — часть работы.
Вы решаете, что делает часовой видеоматериал пригодным для обучения — прежде чем мы накопим сотни часов.
Это место в небольшой, недавно созданной команде: руководитель операций, который отвечает за сбор данных на месте, инженер данных, который отвечает за конвейер, и вы: специалист по машинному обучению в команде. Это не роль научного сотрудника, и запись публикаций не требуется. Задача состоит в том, чтобы сделать корпус пригодным для обучения и обучить на нем первые политики.
Примите эту роль, если вы предпочитаете владеть спецификацией, которая определяет, станет ли набор данных активом или списанием, вместо того чтобы настраивать чужую модель на чужих данных; если центр обработки заказов в 6 утра кажется вам лабораторией; и если вы хотите иметь кратчайшую возможную линию между вашим техническим суждением и капитальным решением. Ознакомьтесь с нашим кодексом культуры и ответьте, подходим ли мы друг другу.
Спецификация захвата данных. Камеры, крепления, калибровка и критерии, по которым эпизод считается непригодным. Вы напишете ее до покупки парка оборудования и будете следить за ее соблюдением после. Когда спецификация и реальность расходятся, вы отправляетесь на склад, чтобы выяснить, кто прав
Истинные значения. Поза рук — это сигнал, который передается из видеозаписей с людьми в политики для роботов, и именно в условиях складской реальности — рабочие перчатки, окклюзия, холодные склады — опубликованные модели испытывают трудности. Вы отвечаете за то, как мы это измеряем и как сокращаем разрыв
Система оценки. Корпус имеет значение только в том случае, если на нем можно обучить политику. Вы создадите систему, которая решает, какие часы записей пойдут в дело, и будете поддерживать планку обучаемости по мере роста объема
Первые циклы обучения. Как только часы записей накопятся, вы проведете дообучение открытых моделей робототехники на наших данных и выполните первые оценки задач
Оценка перед расходами. Область исследований развивается ежемесячно. Вы будете читать опубликованные работы, воспроизводить утверждения, на которые мы полагаемся, и направлять наш сбор данных до того, как будут потрачены деньги, а не после
Вы напишете спецификацию захвата данных, и мы настроим первые установки в соответствии с ней. Ваши пилотные проверки дадут числовые результаты, первые часы записей пройдут вашу систему оценки, и вы сможете, используя данные, сообщить тем, кто утверждает бюджет, какими должны быть следующие сто часов.
PyTorch и компьютерное зрение с реальной 3D-геометрией. Калибровка камер, оценка позы, основы SLAM. Вы хотя бы раз в жизни отлаживали внешнюю калибровку и знаете, почему она могла сбиться
Вы умеете читать статью и воспроизводить ее. Наш конвейер собирается из опубликованных работ, и ваша задача — знать, какие утверждения выдерживают проверку в условиях холодильного складского помещения
Вы понимаете, на чем обучаются политики. Достаточно хорошо знакомы с текущим стеком робототехники и классами политик, чтобы знать, что потребует сторона обучения от данных до того, как данные появятся
Интуиция в отношении наборов данных. Вы обучались на данных, которые собрали сами, и знаете режимы сбоев, которые проявляются только на этапе обучения
Комфортное ощущение единственного специалиста по ML. Вы принимаете решение, записываете его и пересматриваете, когда пилотные данные говорят об обратном
Наши инженеры ежедневно используют Claude Code и Devin, и мы ожидаем, что вы будете руководить агентами в не самых престижных задачах — код системы оценки, обработка данных, скрипты воспроизведения — при этом сохраняя прежний уровень качества.
Физико-ИИ сторона автономного продавца продуктов, где спецификация захвата данных и первые циклы обучения будут вашими с первого дня
Ценный набор данных, который немногие команды в мире имеют возможность создать, в области свежих продуктов питания — домен, столь же сложный, как и манипуляции
Готовое оборудование, управляемая облачная инфраструктура и уже запущенный мандат
Льготы — см. что мы предлагаем
WHY THIS ROLE IS EXCITING
Rohlik is the leading Central European e-grocer. More than a million customers buy their groceries from us through Rohlik.cz, Knuspr.de, Kifli.hu, Gurkerl.at and Sezamo.ro, choosing from over 17,000 items, delivered within a couple of hours in 15-minute windows.
We are building the autonomous grocer. Maia, our AI assistant, already talks to customers and builds their orders; agents are moving into our buying and logistics; vision models are learning to watch quality. The next frontier is physical: robots taking over more and more of the work in our fulfilment centres, until fresh food moves from producers to households at a cost nobody else can match.
We are setting out to record how our own people handle groceries and to turn those recordings into a training corpus for manipulation policies. Our warehouses already log what happened on every pick and every quality check, so the recordings can carry labels most datasets never get. Making that hold is part of the job.
You decide what makes an hour of footage trainable — before we bank hundreds of them.
WHAT YOU WILL OWN AND DELIVER
The capture spec. Cameras, mounts, calibration, and what disqualifies an episode. You write it before we buy the fleet and enforce it after. When the spec and the floor disagree, you go to the floor and find out which one is wrong.
Ground truth. Hand pose is the signal that transfers from human video to robot policies, and warehouse reality — work gloves, occlusion, cold halls — is exactly where the published models struggle. You own how we measure that and how we close the gap.
The evaluation harness. The corpus only counts if a policy can train on it. You build the harness that decides which hours make the bank, and you hold the trainability bar as the volume grows.
The first training runs. Once hours bank, you post-train open robot-learning models on our data and run the first task evaluations.
Judgment before spend. The field moves monthly. You read what is published, reproduce the claims we depend on, and steer our capture before the money is spent, not after.
THE SCOPE
This is a seat on a small, newly created team: an operations lead who runs capture on the floor, a data engineer who owns the pipeline, and you: the machine-learning voice in the room. This is not a research-scientist role, and no publication record is required. The job is to make a corpus trainable and to train the first policies on it.
WHAT WE ARE LOOKING FOR
PyTorch, and computer vision with real 3D geometry. Camera calibration, pose estimation, SLAM fundamentals. You have debugged an extrinsic calibration at least once in your life and know why it drifted.
You can read a paper and reproduce it. Our pipeline is assembled from published work, and your job is knowing which claims survive contact with a chilled warehouse hall.
You know what policies train on. Familiar with the current robot-learning stack and policy classes well enough to know what the training side will demand of the data before the data exists.
Dataset instincts. You have trained on data you collected yourself, and you know the failure modes that only show up at training tim..
Comfortable as the only ML voice. You make the call, write it down, and revisit it when the pilot data says otherwise.
AI is how work gets done here. Our engineers use Claude Code and Devin daily, and we expect you to direct agents for the unglamorous parts — harness code, data plumbing, reproduction scripts — while keeping the quality bar exactly where it was.
Particularly relevant. Hand-pose estimation or egocentric video in production; multi-camera rigs and time sync; experience post-training robot-learning models; ROS 2.
WHAT SUCCESS LOOKS LIKE IN 90 DAYS
You have written the capture spec and we set up the first rigs against it. Your pilot gates have numbers, the first hours have passed your harness, and you can tell the people who sign the budget, with data, what the next hundred hours should look like.
ARE WE A GOOD FIT?
Take this role if you would rather own the spec that decides whether a dataset becomes an asset or a write-off than tune someone else's model on someone else's data, if a fulfilment centre at 6 a.m. sounds like a lab to you, and if you want the shortest possible line between your technical judgment and a capital decision. Read our culture code and are we a good fit?.
WHAT WE OFFER
The physical-AI side of the autonomous grocer, with the capture spec and the first training runs yours from day one
A data asset few teams in the world get to build, in fresh groceries, a domain as hard as manipulation gets
Off-the-shelf hardware, a managed cloud estate, and a mandate that has already started
Benefits — see what we offer
ARE YOU IN?
Instead of a cover letter: pick a published human-video-to-robot-policy pipeline you rate, and tell us where it breaks on a warehouse floor where every hand wears a work glove.
Сравним навыки, грейд, формат работы и зарплату
Чаще всего от 90 000 до 120 000