VisionAccess AI: Plataforma universal para el analisis de la accesibilidad de espacios para personas con discapacidad

Numer ogłoszenia: 2026-117298-292528 Projekt: FENG.01.01-IP.02-1144/24 - VisionAccess AI: Uniwersalna platforma do analizy przestrzeni pod kątem dostępności dla osób z niepełnosprawnościami. Część 1: stanowisko AI/ML Developer W związku z realizacją projektu “VisionAccess AI: Uniwersalna platforma do analizy przestrzeni pod kątem dostępności dla osób z niepełnosprawnościami.” realizowanego w ramach naboru FENG.01.01-IP.02-002/24, nr projektu: FENG.01.01-IP.02-1144/24, firma IT Mine Sp. z o.o. zaprasza do składania ofert na stanowisko: AI/ML Developer. (Umowa o Pracę, Umowa zlecenie) Z uwagi na konieczność ochrony tajemnicy przedsiębiorstwa ograniczono zakres opisu przedmiotu zamówienia. Pełny opis przedmiotu zamówienia zostanie przekazany Oferentowi na jego żądanie po podpisaniu porozumienia o zachowaniu poufności. Rola i zakres obowiązków w projekcie Pracownik odpowiedzialny za opracowanie modeli interakcji algorytmów gromadzących dostarczane dane z ograniczeniami wynikającymi z przepisów obligujących do określonego zastosowania oraz sugestii eksperta domenowego, opracowanie skutecznego modelu predykcji modeli computer vision, douczenie modelu i przeprowadzenie procesu fine-tuningu modelu na danych zebranych z rzeczywistych symulacji, stworzenie bazy testowej dla modelu, uczenie pod nadzorem oraz dostosowanie modelu do ograniczenia liczby wyników fałszywie pozytywnych. Praca w formule hybrydowej - liczba dni w biurze (Katowice) do ustalenia przez Pracodawcę. Pracodawca zastrzega sobie możliwość zmiany na formułę w 100% na miejscu. Wymagane kwalifikacje Kandydata/Kandydatki wykształcenie wyższe, techniczne, doświadczenie (min. 5-letnie) w realizacji projektów związanych z programowaniem, doświadczenie w budowie, trenowaniu i wdrażaniu modeli uczenia maszynowego (ML / deep learning), doświadczenie w zakresie computer vision - detekcji, klasyfikacji i segmentacji obiektów na danych obrazowych i wideo, doświadczenie w przygotowaniu zbiorów treningowych, douczaniu i fine-tuningu modeli oraz w ocenie ich jakości (m.in. F1 Score, MAPE), doświadczenie w pisaniu testów automatycznych oraz w pracy w samoorganizującym się zespole w zwinnej metodyce zarządzania. Uzasadnienie zaangażowania w projekcie Zakres obowiązków - AI/ML Developer Obszary szczegółowych zadań: Modele AI i potoki analityczne dla nowych typów przestrzeni Opracowanie skutecznych modeli predykcji computer vision dla nowych kategorii przestrzeni (hotele, przestrzenie transportu publicznego, lokale usługowe, obiekty publiczne). Budowa zaawansowanych potoków analitycznych oraz weryfikacja zdolności generalizowania algorytmów na nowych typach przestrzeni. Opracowanie modeli interakcji algorytmów gromadzących dane, z uwzględnieniem ograniczeń wynikających z przepisów oraz sugestii eksperta domenowego. Dane syntetyczne, douczanie i fine-tuning modeli Wykorzystanie procedury generowania danych syntetycznych ze środowiska symulacyjnego do poprawy skuteczności sieci neuronowych. Douczanie modeli i przeprowadzanie procesu fine-tuningu na danych zebranych z symulacji warunków zbliżonych do rzeczywistych. Proces douczania modelu i klasyfikacji nowych typów przestrzeni, nieujętych w klasyfikacji opracowanej w etapie E1. Walidacja danych wejściowych i modele on edge Opracowanie miar jakości danych oraz warunków brzegowych dla danych wejściowych w ramach każdej kategorii przestrzeni. Budowa modeli analizy bazowych parametrów obrazu, a następnie wideo, działających w modelu on edge (na urządzeniu użytkownika). Implementacja mechanizmu automatycznego klasyfikowania danych wartościowych i danych wymagających poprawy, z powiadomieniem użytkownika w czasie zbliżonym do rzeczywistego. Fuzja danych obrazowych z chmurami punktów i poprawa jakości danych Opracowanie i implementacja metod fuzji danych obrazowych z chmurami punktów - redukcja szumów, wektoryzacja, triangulacja. Algorytmy wykrywania błędów jakościowych materiału oraz ich automatycznej korekty (redukcja szumów, poprawa ostrości, wstępna detekcja i klasyfikacja obiektów). Połączenie modułu oceny danych wejściowych z modułem poprawy jakości - rozstrzyganie, które dane można poprawić automatycznie. Baza testowa, uczenie pod nadzorem i jakość modeli Stworzenie bazy testowej dla modelu oraz scenariuszy testowych na potrzeby testów w warunkach zbliżonych do rzeczywistych. Prowadzenie procesu uczenia modeli pod nadzorem, z weryfikacją wyników przez specjalistów z zakresu dostępności. Dostosowanie modelu do ograniczenia liczby wyników fałszywie pozytywnych oraz monitorowanie parametrów kamienia milowego (m.in. F1 Score, MAPE, skuteczność detekcji). Integracja, dokumentacja i raportowanie Implementacja rozwiązania w chmurze oraz integracja modeli AI z aplikacją mobilną, silnikiem wizyjnym i modułem generowania raportów - we współpracy z Full Stack Developerem i IT Architectem. Opracowa Źródło: Ministerstwo Funduszy i Polityki Regionalnej, Baza Konkurencyjności Funduszy Europejskich; pobrano 2026-09-22; dane przetworzone.