Kim jesteśmy?
Jesteśmy software house’em z siedzibą we Wrocławiu i oddziałem w Białymstoku. Tworzymy dedykowane aplikacje webowe dla klientów z całego świata, w których wykorzystujemy najnowsze narzędzia oraz technologie informatyczne. Pracujemy w oparciu o zwinne metodyki zarządzania (Scrum) i GitFlow.
Intensywnie rozwijamy również nasz dział research & development, który zajmuje się projektami badawczymi związanymi z deep learningiem/machine learningiem.
Kogo szukamy?
Startujemy z dużym projektem deep learningowym i poszukujemy 5 osób do 3 różnych obszarów tematycznych. Poniżej znajdują się wspólne wymagania dla trzech projektów, a następnie ich opisy oraz łączące się z nimi mile widziane kompetencje.
Kluczowe kompetencje (wspólne dla 3 projektów):
- praktyczne doświadczenie w projektach związanych z machine learningiem (mile widziane komercyjne)
- dobra znajomość języka programowania Python
- znajomość algorytmów machine learning oraz metod deep learning
- znajomość systemów operacyjnych z rodziny UNIX
- doświadczenie w tworzeniu oprogramowania (w tym znajomość systemów kontroli wersji, debugowania itp.)
Mile widziane (wspólne dla 3 projektów):
- znajomość języka programowania C/C++
- znajomość bibliotek do obliczeń numerycznych
- znajomość bibliotek wykorzystywanych do obróbki obrazu (np. PIL, OpenCV)
PROJEKT 1 - Pozycjonowanie 6D
Polega na opracowaniu algorytmów do pozycjonowania 6D (położenie i orientacja) i jego korekty, bazujących na metodach uczenia maszynowego na podstawie obrazu RGB-D.
Mile widziane:
- znajomość metod uczenia przez wzmocnienie (ang. reinforcement learning)
- doświadczenie w pracy z systemem operacyjnym ROS (Robot Operating System)
PROJEKT 2 - Detekcja głosu i rozpoznawanie gestów.
Polega na opracowaniu algorytmów odszumiających mowę, bazujących na metodach uczenia maszynowego, algorytmów KWS (keyword spotting) oraz algorytmów śledzenia dłoni i rozpoznawania gestów.
Mile widziane:
- doświadczenie w pracy nad cyfrowym przetwarzaniem sygnałów
PROJEKT 3 - Detekcja i klasyfikacja bakterii
Polega na opracowywaniu algorytmów identyfikujących zawartość hodowli bakteryjnych na szalkach Petriego, wykorzystujących metody uczenia maszynowego, w szczególności sieci neuronowe.