TestFlight Games
@TFGames · Post #1827 · 04.01.2024 г., 21:31
#NSO#VIT#GAMES https://testflight.apple.com/join/ILE6mgKT
TGTGInsightтелеграм анализLIVE / telegram public index
TGINSIGHT SIMILAR POSTS
Намери подобно съдържание
Изходен канал @clockstackwheels · Post #1029 · 17.10
TW: нудный гик-стафф про бытовую технику. Кофемашина в какой-то момент не включила индикатор переполненности контейнера для жмыха. Это странно, поэтому я стал разбираться. Вообще, техника редко глючит непонятным образом и ведет себя хаотично. Всегда есть какая-то причина. При отладке программы это тоже надо всегда помнить. Как машина узнаёт, что контейнер полон? Никак. У контейнера есть герконовый датчик, показывающий факт его установки в корпус. Когда ты его вытаскиваешь, машина думает, что ты его очистил. А дальше программа просто знает, что одинарный кофе наполняет контейнер на X, двойной на 2X, а вместимость nX. Что произошло: я открыл контейнер посмотреть, заполнен ли он целиком. А потом закрыл обратно, не очистив. В оценке уровня жмыха появилась аддитивная погрешность. Если позволить человеку ввести систему в неправильное состояние, он рано или поздно это сделает. Кстати, по той же причине мне нравится DDD как архитектура для энтерпрайз разработки: если всё правильно спроектировать, то программист слоя приложения, который является "пользователем" домена, не сможет сломать состояние сущностей и агрегатов. В общем, в машине не хватило защиты от дурака. Как бы я решал эту задачу? Сходу приходит в голову какой-нибудь оптический датчик в верхней части контейнера. В худшем случае он запачкается и сработает ложно-положительно, что вызовет необходимость для пользователя лишний раз почистить контейнер. Но ТРИЗ намекает нам на другой подход. Можно попробовать полностью исключить появление жмыха. Так устроены, например, капсульные машины. У нас такая была, но перешли на зерновую, потому что вкусный качественный кофе в зёрнах на порядки дешевле, чем в капсулах, а пьем мы его много. Особенно кофе с молоком, для которого в капсулах просто концентрат, а не настоящее молоко. Если исключить жмых нельзя, то нужно сделать его удаление неотъемлемой частью процесса обслуживания машины. Думаю, я бы попробовал объединить конструктивно контейнер для зёрен и для жмыха, и рассчитать объёмы так, чтобы второго хватило на один цикл траты первого. Тогда даже датчики не нужны: кончились зёрна, и ты неизбежно достаешь контейнер и очищаешь. Сфоткал для вас чашечку ароматного капучино. #life
Hashtags
Резултати
Намерени 2 подобни публикации
Търсене: #vit
当前筛选 #vit清除筛选
Data Science Jobs
@datasciencejobs · Post #2854 · 08.08.2025 г., 06:05
#вакансия#ML#CV#Engineer#Senior#YOLOv5#YOLOv8#EfficientDet#EfficientNet#ResNet#ViT#DeepLab#ObjectTracking#SQL#Docker#k8s#Remote Senior CV/ML Engineer Всем привет! Наша компания Will9 (резиденты Сколково, ИТ-аккредитация) активно развивает продуктовое направление, в связи с чем мы находимся в поиске Senior CV/ML Engineer в высоконагруженный масштабный продукт для ритейла. Наша компания занимается реализацией проектов для ТОП-3 ритейлеров РФ и работает на рынке более 8 лет. Вам предстоит принять участие в составе команды асов в разработке продукта. Спектр задач довольно широкий – матчинг товаров и ценников, построение облаков эмбеддингов, классифкация, сегментация и детектирование, трекинг объектов, а также непрерывное дообучение в “боевых” условия магазинов на тысячах камер. Мы ждем от вас: ● Более 4 лет опыта полного цикла обучения, развертывания и поддержки систем компьютерного зрения (желательно в ритейле, индустриальной или IoT-сфере) ● Опыт построения пайплайна от сбора данных до инференса в проде: ○ Аугментация, аннотация, выбор модели, обучение, валидация, экспорт, интеграция. ○ Применение Active Learning, Semi-supervised Learning (если аннотация ограничена). ● Практический опыт владения языком Python более 4 лет (основные библиотеки для DS/ML/CV) ● Глубокое знание современных CV-технологий: ○ Object Detection: YOLOv5/v8, SSD, Effi cientDet, Faster R-CNN и др. ○ Image Classifi cation: Effi cientNet, ResNet, ViT и др. ○ Instance/semantic segmentation: Mask R-CNN, DeepLab. ○ Object Tracking. ● Опыт построения и поддержки больших мультиклассовых каталогов: ○ Работа с большим количеством классов (10k+), включая fi ne-grained classifi cation. ○ Оптимизация производительности при inferencing на большом классовом спейсе ● Приветствуется знание систем баз данных (например, PostgreSQL, Infl uxDB) и языка SQL. ● Опыт с микросервисной архитектурой и контейнеризацией (Docker, Kubernetes), а также организации высокопроизводительного инференса (например, DeepStream или Triton Inference Server) ● Практический опыт оптимизации сетей (прунинг, квантизация, дистилляция) будет существенным плюсом Что мы предлагаем: ● Конкурентоспособная заработная плата (170-300k для middle, от 300 до 500к на руки для senior в зависимости от опыта). ● Делаем 2 новых продукта (трекшен от ритейла очень хороший). ● Небольшой эффективный коллектив проектной команды, собранный из профессионалов (A-Team). ● Полностью удаленный формат работы и гибкий график. ● Готовы брать и на проектную деятельность (неполная занятость). 👉 По всем вопросам и с резюме пишите @PrometeiArt