Python и Deep Learning frameworkДля заданного ограничения выбирает стратегию обучения/инференса по памяти GPU, скорости и воспроизводимости; фиксирует версию кода, весов и окружения.
CV-данные, разметка и аугментацииДля заданного источника данных проектирует sampling и QA-разметки, определяет риск сдвига домена и проверяемые критерии качества датасета.
CV-архитектуры и обучениеСравнивает архитектуры по качеству, latency, размеру и доступным данным на фиксированном кейсе; формирует эксперимент, отделяющий эффект модели от эффекта данных.
Метрики и error analysisДля заданного продукта определяет primary/guardrail-метрики и критичные срезы (свет, камера, класс); задаёт пороги выпуска и список ошибок для повторной разметки.
Инференс и оптимизацияВыбирает server/edge-инференс, формат модели и стратегию fallback для фиксированных ограничений устройства, сети и качества; доказывает решение сравнением измерений.
MLOps и мониторингОпределяет мониторинг data drift, качества предсказаний и технической деградации; задаёт триггеры переобучения/отката для конкретного потока.
Интеграция CV-решенияПроектирует безопасную интеграцию с очередью или синхронным API, выбирая её по объёму, latency и повторной обработке на заданном кейсе.