Senior Computer Vision Engineer

Buscamos profundidad más que amplitud. El nivel exigido es el de alguien que pudiera, razonablemente, llevar un problema de este tipo tan lejos como nadie lo haya hecho nunca.

• Gran profundidad en detección de múltiples instancias o segmentación de instancias. Has construido modelos que encuentran un número variable y desconocido de objetos en una única entrada y atribuyen cada parte de esa entrada a exactamente uno de ellos, incluyendo cómo se emparejan las predicciones con la realidad (ground truth) durante el entrenamiento y qué te dicen y qué no te dicen las métricas resultantes.

• Experiencia con entradas no rasterizadas, o una comprensión clara de qué cambia sin una cuadrícula de píxeles. Trazos, polilíneas, trayectorias, nubes de puntos, grafos, gráficos vectoriales, geometría CAD o trazas de sensores; cualquier caso en el que la entrada sea un conjunto de primitivas geométricas en lugar de una imagen. Si tu trabajo de detección de instancias ha sido sobre píxeles, querremos hablar sobre cómo lo abordarías sin ellos.

• Arquitecturas basadas en atención sobre conjuntos y grafos, y tener sensibilidad sobre cómo la estructura espacial y relacional se codifica en un modelo, incluyendo el instinto de cuándo un modelo simplemente no puede ver algo que tú asumías que podía ver.

• Experiencia sólida entrenando modelos profundos en PyTorch; no limitándote a llamar a una API de entrenamiento, sino dominando el bucle: programaciones (schedules), estabilidad numérica, ejecuciones distribuidas y la depuración de un modelo que entrena sin problemas pero sin mejorar.

• La disciplina experimental para realizar comparaciones justas, resistir la tentación de leer el ruido como señal y decir claramente cuando un resultado está dentro del margen de error.

• Evidencia de que puedes llevar un modelo a producción: exportación, latencia, determinismo y una ruta de reversión (rollback).

• Capacidad para leer la literatura de forma crítica: reproducir lo que es útil y distinguir un avance real de un artefacto de un benchmark.

• Reconocimiento online de escritura a mano, bocetos, tinta o diagramas, en cualquier escritura o notación.

• Deep learning geométrico o redes neuronales de grafos aplicadas a datos espaciales.

• Gráficos vectoriales, CAD, GIS o modelado de trayectorias en un entorno industrial.

• Optimización de la inferencia y cuantización.

• Trabajo publicado o de código abierto que podamos leer.

• Español o catalán.

Este no es un rol de LLM o de ingeniería de prompts, ni es un rol de pipeline de datos; una vacante separada cubre los conjuntos de datos y la evaluación. Tampoco es una posición de investigación pura: se espera que lo que construyas llegue a los alumnos.

Dentro de Innovamat, Mathboard AI es la tecnología que lee lo que los alumnos escriben a mano. Cuando un alumno resuelve un problema en una pizarra digital, recibimos los propios trazos del lápiz, no una fotografía ni texto mecanografiado. Nuestros modelos tienen que determinar qué trazos pertenecen a un mismo grupo y qué significa cada grupo, para que el alumno pueda ser comprendido y ayudado en el momento.

Buscamos a la persona que lleve esos modelos más allá. Es un problema de detección de múltiples instancias sobre una entrada manuscrita, resuelto directamente sobre los trazos del lápiz en lugar de sobre una imagen renderizada; una formulación que no tiene una solución estándar que copiar ni un benchmark público que sustituya a la realidad. El trabajo es ingeniería de investigación pura: entender en qué falla el modelo, formular una hipótesis sobre el porqué, construirla y averiguar con honestidad si ha funcionado.

Un alumno llena una página. En ella puede haber cuatro cálculos separados, dos flechas que conectan un resultado con el siguiente, un pequeño diagrama, un intento tachado y algunas marcas que no pertenecen a nada en absoluto. El modelo tiene que encontrar cada uno de esos objetos, decir qué tipo es cada uno y decir exactamente qué trazos lo componen; todo a la vez, sin un número fijo de objetos y sin garantía de que dos páginas cualesquiera se parezcan.

Por tanto, se trata de una detección de múltiples instancias, pero las primitivas son trazos en lugar de píxeles. Un objeto está compuesto por un número variable de trazos; los trazos se cruzan y se entrelazan; dos objetos diferentes ocupan habitualmente la misma región de la página, por lo que la cuestión nunca es dónde se encuentra aproximadamente un objeto, sino qué marcas específicas lo constituyen. Y una página se considera correcta solo cuando la lectura completa es acertada: cada objeto encontrado, cada tipo correcto, cada trazo atribuido. No hay puntos parciales.

Es un rol de visión artificial en el sentido de que trata sobre la estructura visual y el razonamiento espacial. No lo es en el sentido de convoluciones sobre fotografías, y vale la pena ser explícito sobre esta diferencia antes de que te postules.

• Poco de la pila preentrenada es transferible. Los grandes modelos de visión (backbones) sobre los que todo el mundo construye asumen una cuadrícula de píxeles. Aquí, la forma en que se representa la entrada es una decisión de diseño que tú mismo tomas, en lugar de un valor por defecto que heredas.

• Las relaciones transportan la señal. Lo que decide si dos trazos pertenecen al mismo grupo es la proximidad, la escala relativa, la alineación y qué más hay en la página, no su apariencia de forma aislada.

• Las ganancias fáciles ya se han obtenido. El progreso proviene de un diagnóstico cuidadoso y de una buena tasa de acierto en ideas no obvias, y de extraer información real de los intentos que fallan, que serán muchos.

• Tiene que funcionar en un aula. La respuesta tiene que llegar mientras el niño aún está mirando la pantalla, en cualquier dispositivo que tenga la escuela.

• Asumir la responsabilidad arquitectónica de los modelos que leen la escritura a mano: cómo se representa la entrada, cómo se proponen y asignan las instancias, cómo se entrenan los modelos y cómo mejoran.

• Diseñar los cambios que creas que harán avanzar los casos difíciles, implementarlos correctamente y ejecutarlos a una escala en la que la respuesta sea fiable.

• Mantener vivo un competidor justo. Lo que sea que estemos ejecutando es el modelo actual, no un compromiso definitivo, y parte del trabajo es saber cuándo una formulación diferente lo superaría.

• Realizar comparaciones controladas con criterios de éxito acordados antes de la ejecución, para que un resultado signifique lo que parece significar.

• Mirar más allá de la cifra principal para ver qué tipos de páginas mejoraron y cuáles empeoraron, y juzgar si el intercambio valió la pena.

• Replicar cualquier cosa que pretendas lanzar, e informar de los intentos que no llegaron a nada con la misma claridad que los que funcionaron.

• Llevar un modelo hasta que responda lo suficientemente rápido en el hardware escolar ordinario, no solo en una GPU de entrenamiento.

• Garantizar que lo que despleguemos se comporte como lo que evaluaste, y que podamos revertirlo en el momento en que deje de hacerlo.

• Observar qué hace con el trabajo real de los alumnos una vez que esté en funcionamiento, y convertir lo que veas allí en el siguiente intento.

• Trabajar estrechamente con la persona responsable de nuestros conjuntos de datos y la evaluación, y ser específico con ella sobre qué cambiaría realmente un resultado.

• Juzgar honestamente cuándo el límite es el modelo, cuándo son los datos y cuándo la tarea en sí es genuinamente ambigua.

📍España | 💼 Jornada completa | Contrato indefinido