Staff Software Engineer, Imitation Learning - Behavior Planning, Embodied AI

О позиции

Команда Embodied AI General Motors создаёт и внедряет решения на основе машинного обучения для безопасного и надёжного управления автономными транспортными средствами в реальных условиях. Вы присоединитесь к группе Imitation Learning в составе Behaviour Planning, где будете работать над разработкой программного обеспечения для обучения, оценки и интеграции политик управления автопилотом. Ваша роль требует баланса между исследовательскими задачами и производственной инженерией высокого качества.

Чем заниматься

• Архитектура и разработка модульного ML-ПО для подготовки данных, обучения, оценки и производственной интеграции
• Оптимизация производительности端到端 обучения и оценки: загрузка данных, использование CPU/GPU, распределённое выполнение, оркестрация рабочих процессов
• Создание переиспользуемых workflow предобучения, быстрой донастройки и post-training, включая интеграцию с reinforcement learning
• Интеграция open-loop поведенческих тестов, closed-loop симуляции и целевых сценариев для быстрой обратной связи о качестве моделей
• Разработка интерфейсов моделей и инструментов аугментации данных; обеспечение консистентности между обучением, симуляцией и inference на автомобилях
• Техническое лидерство межкомандных инициатив, менторство инженеров, улучшение модульности, тестирования, воспроизводимости и надёжности кода

Что ждут

• Магистр или PhD в Computer Science или смежной области, либо эквивалентный практический опыт
• Успешный опыт руководства сложными ПО-проектами, проектирования архитектуры и hands-on разработки в рамках командных границ
• Сильные навыки Python, опыт создания поддерживаемого, хорошо протестированного ПО в больших кодовых базах
• Практический опыт работы с PyTorch или аналогичными фреймворками ML, системами обучения или оценки моделей
• Опыт профилирования и оптимизации performance-sensitive ML pipelines: обработка данных, вычисления на CPU/GPU, distributed training
• Сильное техническое суждение и способность переводить исследовательские требования в надёжное производственное ПО

Будет плюсом

• Опыт в autonomous driving, робототехнике, behaviour planning или trajectory prediction
• Знакомство с imitation learning, RL, multistage training, distillation или генерацией synthetic данных
• Опыт закрытой симуляции (closed-loop simulation), деплоя моделей, тестирования consistency training-inference
• Современные навыки C++ или опыт GPU profiling, compilation моделей, оптимизации ML runtime
• Опыт distributed execution и workflow orchestration в production окружениях

Условия

• Конкурентоспособная базовая зарплата 189,000–280,000 USD + бонусы по результатам компании и индивидуального عملکردa
• Комплексные программы страхования здоровья, стоматологии, зрения, Health Savings Account, Flexible Spending Accounts
• Пенсионная программа и retirement savings plan
• Страховки sickness, accident, life insurance
• Оплачиваемые отпуска и праздничные дни
• Программы assistance employees и tuition assistance
• Скидки на автомобили General Motors
• Программа корпоративного автомобиля после успешной проверки водительского отчёта
• Гибкий формат работы: полностью удалённый или гибридный
• Возможность релокации с компенсацией переезда

Навыки

• Python
• PyTorch
• Machine Learning
• Distributed Training
• GPU Optimization
• Model Training
• Imitation Learning
• Reinforcement Learning
• Autonomous Driving
• C++
• Performance Profiling
• Data Pipeline
• Simulation
• Model Deployment
• Software Architecture

Могут спросить на собеседовании

1. Расскажите о вашем опыте архитектуры и масштабирования ML-трайнов пайплайнов с распределённой GPU/CPU обработкой
2. Приведите пример задачи перевода исследовательского алгоритма в стабильную production систему с гарантиями reliability
3. Как вы организуете feedback loop между симуляцией, training и на-автомобильным inference для поддержания модели актуальной?
4. Какие метрики и методы вы используете для оценки качества моделей в контексте autonomous driving safety?
5. Опишите ситуацию технического лидерства: как вы организовали cross-team initiative, менторили коллег и повышали качество кода?