47 подписчиков

Кто работает в командах по разработке PhysAI

ВчераВчера

2 мин

Модель, о которой мы говорили выше описывает, как распределяются роли в командах, занимающихся физическим искусственным интеллектом, и какие фундаментальные знания и прикладные навыки требуются в каждой роли — от инженера до менеджера. К командам, которые занимаются разработкой таких систем относится сразу несколько групп специалистов. Они относятся к разным «стримам» (направлениям, если по - русски), согласно модели, разработанной Яндексом и ведущими вузами это: ML Stream, Production Stream, Analytics Stream, Coordination Stream 🌟 Какие это специалисты и чем они занимаются ⚡️ML Stream: ML Researcher / Experimenter Специалист, генерирующий и проверяющий исследовательские гипотезы для улучшения ML-систем: читает литературу, придумывает эксперименты, анализирует результаты и формулирует новые методы ML / Algorithms Engineer Инженер, реализующий и адаптирующий ML-методы и алгоритмические решения для production-задач Physical AI: от обучения моделей до разработки детерминированных

К командам, которые занимаются разработкой таких систем относится сразу несколько групп специалистов. Они относятся к разным «стримам» (направлениям, если по - русски), согласно модели, разработанной Яндексом и ведущими вузами это: ML Stream, Production Stream, Analytics Stream, Coordination Stream

🌟 Какие это специалисты и чем они занимаются

⚡️ML Stream:

ML Researcher / Experimenter

Специалист, генерирующий и проверяющий исследовательские гипотезы для улучшения ML-систем: читает литературу, придумывает эксперименты, анализирует результаты и формулирует новые методы

ML / Algorithms Engineer

Инженер, реализующий и адаптирующий ML-методы и алгоритмические решения для production-задач Physical AI: от обучения моделей до разработки детерминированных алгоритмов с формальными гарантиями

ML Tech Architect

Технический лидер ML-команды, формирующий долгосрочное исследовательское видение, обеспечивающий качество всей ML-системы и принимающий ключевые архитектурные решения

⚡️Production Stream:

ML Backend Engineer

Инженер, переводящий экспериментальные ML-модели в эффективный production-код: оптимизация инференса, сжатие моделей, интеграция в runtime физической системы

MLOps Engineer

Инженер, строящий и поддерживающий инфраструктуру для ML-команды: пайплайны обучения, CI/CD, мониторинг моделей, управление данными и вычислительными ресурсами

QA / Safety Engineer

Специалист по верификации и валидации поведения автономной физической системы: от функционального тестирования до анализа безопасности и работы с граничными отказными сценариями

FuSa / Functional Safety Engineer

Специалист, встраивающий функциональную безопасность во все этапы разработки PhysAI-системы: от анализа рисков и формирования требований безопасности до архитектурного надзора и сопровождения сертификации по стандартам ISO 26262 и IEC 61508

⚡️Analytics Stream:

Data & Metrics Analyst

Специалист, проектирующий измерительную систему для оценки качества ML-продукта: метрики, тестовые корзины, статистическая валидация и аналитические инструменты для всей команды

Data Miner

Специалист по поиску и извлечению репрезентативных данных из больших массивов сырых логов физических систем: находит нужные 10% среди терабайтов данных

Annotation Engineer

Специалист, организующий создание качественной разметки данных: от разработки инструкций и краудсорсинга до автоматизированной разметки с помощью ML-моделей

⚡️Coordination Stream:

ML Project Coordinator

Роль межкомандного синхронизатора в матричной структуре Physical AI: обеспечивает согласованность между ML, аналитикой, hardware и runtime для своевременного выкатывания фич в продакшн

ML Product Manager

Специалист, связывающий ML-разработку с бизнес- и продуктовыми целями: формирует продуктовое видение, определяет приоритеты, строит юнит-экономику и транслирует ценность ML-продукта для стейкхолдеров

😻 Модель эта открытая ее можно посмотреть тут: КРМ Physical AI — Яндекс Диск

@sravniprog