KSM

Embedded Engineer

Hardware Integration · Sensors · Optical Systems

  Київ  ·  Повна зайнятість  ·  Гібрид

КОНТЕКСТ

Ми будуємо два бойових продукти: Smart AIM — AI-система наведення на гвинтівці (RPi5 + тепловізор + сервопривід), і BВ 2 — мозок автономної турелі (RPi CM5 + Hailo NPU + три камери + LRF + IMU). Обидва пристрої живуть на edge-залізі в реальних умовах.

Зараз нам потрібна людина для посилення команди, яка вміє дружити залізо з софтом — від сенсора до Python-коду, з мінімальними втратами по затримці і точності.

ЩО БУДЕШ РОБИТИ

Інтеграція сенсорів і периферії

• Підключати і налаштовувати сенсори: тепловізійні камери (USB/CSI/MIPI), оптичні камери, LRF-далекоміри, IMU/гіроскопи, серводрайвери
• Розуміти різницю між USB, CSI, MIPI, SPI, I2C, UART — і обирати правильне підключення з урахуванням затримок і пропускної здатності (MPx, UVI, Y16, YUYV тощо)
• Писати і налагоджувати драйвери та обгортки для нестандартних пристроїв — якщо готового драйвера немає, пишемо самі
• Допомагати відділу електроніки верифікувати спаяні плати — підключати, тестувати, знаходити де щось пішло не так

Оптимізація затримок і потоків даних

• Знижувати затримки на всьому шляху від сенсора до Python-обробки — кожен зайвий мілісекунд має значення
• Модифікувати низькорівневий код камер і capture-плат: наприклад, замінити буферизацію повного кадру на пострядкову передачу для мінімізації latency
• Налаштовувати параметри V4L2, OpenCV VideoCapture, ffmpeg pipeline під конкретне залізо і задачу
• Профілювати і усувати вузькі місця: CPU, шина, буфери, черги між потоками

Робота з Raspberry Pi та кастомними платами

• Налаштовувати RPi 5 і RPi CM5 з кастомними carrier board для роботи з Hailo NPU, MIPI-камерами, GPIO, I2C пристроями одночасно
• Конфігурувати DTS/Device Tree, overlays, kernel modules — там де стандартні налаштування не працюють
• Тестувати і налагоджувати взаємодію між RPi і Hailo-10H NPU через PCIe M.2

Підбір компонентів і технічна експертиза

• Підбирати сенсори під задачу: тепловізори, оптичні камери, LRF-модулі, IMU — з урахуванням FOV, роздільності, затримки, формату даних і ціни
• Читати datasheet і розуміти що конкретний модуль реально може і де бреше
• Оцінювати нові компоненти до покупки — не просто по характеристиках, але і по тому як їх потім підключати

ЩО ПОТРІБНО ВМІТИ

Мови і інструменти

• Python — впевнено: робота з cv2, V4L2, subprocess, asyncio, GPIO (RPi.GPIO / gpiozero)
• C/C++ — на рівні де можеш залізти в бібліотеку або драйвер і щось там поправити
• Linux — системний рівень: udev, systemd, dmesg, i2cdetect, v4l2-ctl, dtoverlay
• ffmpeg, GStreamer — на рівні pipeline налаштування і усунення проблем

Залізо і протоколи

• Практичний досвід з I2C, SPI, UART, GPIO — написати обгортку, відловити баг на осцилографі або логічному аналізаторі
• Розуміння відеоінтерфейсів: USB UVC, CSI-2/MIPI, різниця в latency, bandwidth, формати пікселів (Y16, YUYV, NV12 тощо)
• Базові навички з мікроконтролерами (STM32, ESP32 або аналоги) — прошити, налагодити, написати простий firmware
• Вміння читати схему плати і розуміти що на ній відбувається

Досвід з оптичними системами

• Робота з тепловізійними камерами: UVC-режим, витяг сирих 16-bit даних (Y16/TLinear), лінеаризація, Tau/Kurbas або аналоги
• Налаштування параметрів оптичних камер: exposure, gain, white balance, FPS через V4L2 або vendor SDK
• Базове розуміння оптики: FOV, focal length, глибина різкості — достатньо щоб осмислено підбирати лінзу

ЩО ВАЖЛИВО В ХАРАКТЕРІ

Ця роль — стик між залізом і кодом. Тут не буває «це не моя задача».

• Інженерна впертість. Якщо щось не заводиться — розбираєшся до кінця. Не «воно якось не так», а «ось чому, і ось як виправити».
• Допитливість до фізики. Цікаво чому тепловізор з коробки дає 30ms затримку і як це можна зрізати вдвічі.
• Практичність. Робоче рішення зараз краще ніж ідеальне пізніше. Підпорки — ок, якщо система летить.
• Самостійність. Задачі часто будуть без готового рішення в інтернеті. Треба вміти дійти самому — через datasheet, через експеримент, через AI.

ОБОВ'ЯЗКОВО

• Досвід роботи з Claude Code, Cursor або аналогами — це не опція, це частина робочого процесу
• Готовність вчитися нових AI-інструментів для прискорення роботи — ми активно це практикуємо
• Вміння формулювати технічні питання чітко: і для колег, і для AI-асистента

БУДЕ ПЛЮСОМ

• Досвід з Raspberry Pi CM5 або кастомними carrier board
• Знайомство з Hailo NPU, PCIe M.2 пристроями на Linux
• Досвід з робототехнікою: серводрайвери, PWM, енкодери, PID
• Розуміння балістики або механіки прицілювання — для усвідомленого тестування системи
• Базове знайомство з FPGA або програмованою логікою

ЧОГО НЕ ВИМАГАЄМО

• Досвіду саме в defense — важливі навички, не галузь
• Знання всього стеку наперед — є час розібратися, є команда
• Академічного бекграунду — важливий результат і здатність розбиратися

УМОВИ

• Повна зайнятість, гібрид (Київ)
• Бронювання при потребі
• Конкурентна ЗП — обговорюємо індивідуально
• Робота з реальними пристроями, які виходять в поле — бачиш результат своєї роботи
• Невелика команда, без бюрократії, пряма комунікація
• Можливість впливати на вибір компонентів і архітектурні рішення

ПРО НАС

Ми будуємо AI-системи наведення і управління вогнем. 

Зараз нам потрібна людина яка буде перетворювати задачі у працюючий код. Швидко і якісно.

СУТЬ РОБОТИ

Ти отримуєш задачу у вигляді "ось що має відбуватися" — може бути без детального ТЗ і без готового алгоритму. Твоя робота: розібратися в суті, обрати підхід, написати код що працює на реальному залізі.

Більшість задач — обробка відео/сенсорних потоків, логіка прийняття рішень, інтеграція модулів між собою. 

Ми активно використовуємо Claude Code та інші AI-інструменти.

ЩО ПОТРІБНО ВМІТИ

Мова і інструменти

• Python — впевнено: numpy, OpenCV, asyncio, робота з потоками і чергами
• Розуміння real-time вимог: затримки, пріоритети, буферизація
• Git, базовий Linux, робота з процесами і сервісами
• Базово C/C++ або бажання швидко освоїти — для інтеграції з embedded компонентами

Розуміння задачної області

• Комп'ютерний зір на рівні застосування: OpenCV, базові алгоритми детекції і трекінгу
• Робота з відеопотоками, камерами, серіалізацією даних між модулями
• Базове розуміння як працюють сенсори: камера, ІМП, далекомір — що вони дають і де брешуть
• Вміння читати документацію на залізо і розуміти що конкретний компонент реально може

Підхід до роботи

• 2+ роки комерційного досвіду розробки
• Досвід роботи з розмитими задачами — де треба самому визначити підхід
• Вміння швидко прототипувати, перевіряти гіпотезу і викидати якщо не працює

ЩО ВАЖЛИВО В ХАРАКТЕРІ

Шукаємо не широкого спеціаліста — шукаємо гострий розум і правильне ставлення до задач.

• Висока здатність до навчання.

Нова бібліотека, нова фізична концепція, незнайомий сенсор — розбираєшся швидко і самостійно.

• Орієнтація на результат.

Тебе цікавить щоб воно працювало, а не щоб код виглядав красиво. Елегантність — бонус, а не ціль.

• Чесність щодо власних обмежень.

Якщо не знаєш — кажеш одразу і розбираєшся, а не робиш вигляд що все зрозуміло.

• Комфорт з невизначеністю.

ТЗ буде неповним. Вимоги зміняться. Залізо поводитиметься дивно. Це норма, а не проблема.

БУДЕ ПЛЮСОМ

• Досвід із embedded Linux, Raspberry Pi або схожими платформами
• Знайомство з Hailo NPU, TensorRT або іншими inference-акселераторами
• Досвід роботи з фільтром Калмана, оптичним потоком або трекінгом об'єктів
• Базове розуміння військової техніки — відрізняти типи платформ і озброєнь

ЧОГО НЕ ВИМАГАЄМО

• Досвіду в defense — важливе мислення і код, не галузь
• Senior-рівня по всьому стеку — достатньо бути сильним у своїй базі і швидко рости
• Академічного бекграунду — важливий результат, не диплом
• Знання всього наперед — є час розібратися і є з ким

УМОВИ

• Повна зайнятість, гібрид (Київ)
• Бронь при потребі
• Конкурентна ЗП — обговорюємо індивідуально
• Робота над системами що вже в полі — бачиш результат своєї роботи
• Невелика команда, пряма комунікація, без бюрократії

ПРО НАС

Ми будуємо AI-системи наведення і управління вогнем для реального застосування на полі бою. Працюємо швидко, в умовах де помилка коштує дорого. Ідеальних умов немає — ми їх створюємо самі з того що є і що можна дістати і застосувати. Тому потрібні люди з мисленням інженера (швидко, надійно, працює. а те що стирчить ізолента- це вже відділ масштабування розберется)

ЩО ЗА ПОЗИЦІЯ

Нам потрібен ML Generalist — людина, яка розуміє весь стек від розмітки датасетів до деплою моделей на edge-пристроях, і яка не лякається задач, де немає готового рішення. Не вузький спеціаліст в одній темі, а той хто швидко розбирається в новому, і знає як ефективно використовувати AI-інструменти як Claude Code, Cursor та інші щоб виконувати задачі ефективно навіть там де немає глибокої експертизи.

ЩО ПОТРІБНО ВМІТИ (АБО ШВИДКО ОПАНУВАТИ)

ML та дані

• Розмітка датасетів, робота з Roboflow — детекція, класифікація, сегментація
• Тренування і файн-тюнінг нейромереж (YOLO та подібні), розуміння метрик якості
• Базове розуміння архітектур: CNN, трансформери, temporal моделі

Інфраструктура і MLOps

• Розуміти що таке AWS S3 з плагінами, Glue, Athena, Lambda, базово SageMaker
• Векторні БД (pgvector, Chroma, Qdrant), побудова RAG-систем
• Локальні LLM: запуск через Ollama / LM Studio, розуміння квантизації і обмежень

Edge і embedded

• Деплой і оптимізація моделей на edge-пристроях (Raspberry Pi CM5, Hailo NPU, NVIDA Orin або аналоги)
• Розуміння обмежень заліза: пам'ять, латентність, теплове навантаження

Agentic системи і автоматизація

• n8n або аналогічні платформи для побудови workflows детермінованих агентів
• Базове розуміння agentic архітектур: чейнінг, tool use, memory
• Розуміння і навичики роботи з недетермінованими агентними системами

ЩО ВАЖЛИВО В ХАРАКТЕРІ

Це, мабуть, головне. Технології можна вивчити — характер складніше.

• Проблема-орієнтованість.

Тебе цікавить результат, а не елегантність рішення. Якщо треба — зробиш із підручних засобів і нестандартним підходом. З гівна, палок і костилів — якщо ситуація вимагає. Головне- щоб працювало надійно і повторювано. Красу прикрутимо піздніше.

• Самостійність у навчанні.

Зіткнувшись з незнайомою темою — розберешся. За допомогою документації, AI, досвіду колег, виклику Ктулху — не важливо. Важливо що розберешся і зробиш.

• Системне мислення.

Вміння розкласти складну задачу на компоненти, зрозуміти де вузьке місце, де ризик.

• Допитливість до фізики реального світу.

Іноді треба розібратися як працює оптика, балістика, чи механіка стабілізатора — щоб правильно інтерпретувати дані або зрозуміти обмеження системи.

БУДЕ ПЛЮСОМ

• Базове розуміння військової техніки і термінології — відрізняти типи озброєнь, розуміти контекст застосування систем
• Досвід роботи з тепловізійними або оптичними системами
• Знайомство з OpenCV, ffmpeg, потоковою обробкою відео

ЧОГО НЕ ВИМАГАЄМО

• Ідеального коду — є Claude Code та інші AI-інструменти
• Знання всього стеку наперед — є час розібратися
• Академічного бекграунду — важливий результат, не диплом

УМОВИ

• Повна зайнятість, гібрид (Київ)
• Бронь при потребі
• Конкурентна ЗП — обговорюємо індивідуально залежно від досвіду
• Робота над реальними системами
• Невелика команда, пряма комунікація, без бюрократії
• Можливість реально впливати на архітектурні рішення

ПРО НАС

Ми будуємо AI-системи наведення і управління вогнем для реального застосування на полі бою. Наші системи отримують потоки даних із реального світу — відео, термальне зображення, датчики, контекст — і перетворюють їх у точні дії роботизованих платформ.

Ми працюємо швидко, в умовах де помилка коштує дорого. Якщо ти хочеш будувати системи що справді діють у фізичному світі — ця позиція для тебе.

ЩО ЗА ПОЗИЦІЯ

Нам потрібен інженер, який мислить на стику математики, фізики і програмування. Твоя робота — будувати логічні модулі, які отримують сирі дані з різних джерел (відео, тепловізор, лазерний далекомір, ІМП, аудіо, контекстні метадані, галюцінації бортових ЛЛМ) і перетворюють їх у рішення: що бачить система, що відбувається, що робити далі.

Це не класична розробка і не чистий ML. Це інженерія сприйняття і прийняття рішень — де алгоритм має розуміти фізику об'єкта, обмеження заліза, і поведінку цілі одночасно.

НАД ЧИМ БУДЕШ ПРАЦЮВАТИ

Сприйняття і злиття даних (Perception & Sensor Fusion)

• Проектувати пайплайни обробки потоків даних: оптичне відео, тепловізійне зображення, лазерний далекомір, ІМП/гіроскоп, аудіо
• Знаходити і вигадувати математичні способи витягати корисну інформацію з кожного каналу окремо і в комбінації
• Реалізовувати fusion-алгоритми: коли дані суперечать одне одному — система має знати кому довіряти і чому

Інтерпретація і прийняття рішень

• Будувати модулі, що перетворюють "що бачимо" → "що відбувається" → "що робимо"
• Проектувати механізми взаємної валідації гіпотез із кількох джерел даних
• Враховувати в логіці рішень обмеження: балістику, фізику руху цілі, затримки заліза, умови оточення

Управління роботизованими системами

• Перекладати рішення системи в конкретні команди для сервоприводів, турелей, тригерів
• Будувати алгоритми предикції руху цілі та компенсації руху платформи
• Проектувати graceful degradation — система має розумно деградувати при відмові окремих сенсорів

ЩО ПОТРІБНО ВМІТИ

Математика і алгоритми

• Фільтр Калмана, оптичний потік, геометрія проекцій — розуміти і вміти застосовувати
• Тригонометрія, кінематика, координатні перетворення (власне і зовнішнє)
• Базова теорія сигналів: фільтрація, шум, часові ряди
• Теорія ймовірностей і байєсівські підходи для прийняття рішень в умовах невизначеності

Програмування

• Python — впевнено: numpy, scipy, OpenCV, asyncio
• Розуміння вимог real-time систем: затримки, черги, пріоритети потоків
• Робота з відеопотоками, серіалізацією даних, міжпроцесовою комунікацією
• Базово C/C++ або готовність швидко освоїти для роботи з embedded-компонентами

Системне розуміння

• Розуміння обмежень edge-заліза: пам'ять, латентність, тепло, енергоспоживання
• Вміння читати datasheet і розуміти що конкретний сенсор реально може і не може
• Здатність моделювати фізичні процеси: балістику кулі, рух цілі, вібрацію платформи

ЩО ВАЖЛИВО В ХАРАКТЕРІ

Технічну базу можна добудувати — ось що не можна і що треба вже мати на старті:

• Інженерна цікавість.

Коли щось не працює — тобі цікаво чому, а не прикро. Ти копаєш до першопричини.

• Мислення від фізичного світу.

Ти розумієш що код — це модель реальності, і реальність завжди хитріша. Вміння знаходити де модель бреше — критично важливо.

• Крос-дисциплінарність.

Тобі цікаво розібратися в оптиці, механіці, психології цілі або фізиці пострілу якщо це потрібно для задачі. Межі між "моєю" і "не моєю" областю не існує. Є лише “працює” і “не працює”

• Прагматизм.

Рішення що працює в полі краще за елегантне рішення що не встигло. З нестандартним підходом, з підпорками — якщо треба. Дизайн, Етика, Порушення прав орків та інші складні питання залишаємо для пізніших етапів.

• Системне мислення під тиском.

Вміння утримувати в голові весь ланцюжок: сенсор → обробка → рішення → дія → наслідок, і розуміти де в цьому ланцюжку ризик.

БУДЕ ПЛЮСОМ

• Досвід із комп'ютерним зором: детекція, трекінг, стереозір
• Знайомство з ROS або будь-якою robotics middleware
• Розуміння принципів роботи тепловізорів, лазерних далекомірів, ІМП
• Базове розуміння військової техніки і термінології — відрізняти типи платформ, знати контекст застосування
• Досвід із Hailo NPU, TensorRT або іншими inference-акселераторами

ЧОГО НЕ ВИМАГАЄМО

• Готового досвіду саме в defense — важливе мислення, не галузь
• Академічного бекграунду — важливий результат, не диплом
• Знання всього стеку наперед — є час розібратися і є з ким

УМОВИ

• Повна зайнятість, гібрид (Київ)
• Бронь при потребі
• Конкурентна ЗП — обговорюємо індивідуально залежно від досвіду
• Робота над реальними системами, які вже застосовуються в полі
• Невелика команда, пряма комунікація, без бюрократії
• Прямий вплив на архітектурні рішення — тут немає "просто виконати таск"