Regrutacija inženjera za percepciju u robotici

Inženjer za percepciju u robotici (Robotics Perception Engineer) predstavlja temeljni sloj autonomnih sistema, često opisivan kao arhitekta mašinske kognicije. Ovi stručnjaci omogućavaju robotima da vide, razumeju i interpretiraju fizički svet sa visokom preciznošću. Dok se standardni softverski inženjer fokusira na logiku aplikacije ili upravljanje bazama podataka, inženjer za percepciju specijalizovan je za kognitivni proces koji transformiše sirove, šumovite podatke sa fizičkih senzora u koherentnu digitalnu reprezentaciju okruženja. Ova uloga rešava fundamentalni izazov prostorne svesti: određivanje gde se robot nalazi, koji ga objekti okružuju i kako se ti objekti kreću u realnom vremenu. Nomenklatura ove uloge varira u zavisnosti od industrije, pa se često koriste nazivi kao što su inženjer za računarski vid u robotici, inženjer za simultanu lokalizaciju i mapiranje (SLAM) ili inženjer za autonomiju. U specijalizovanim kontekstima koriste se i titule poput inženjera za fuziju senzora. Unutar organizacije, ovaj inženjer obično poseduje ceo stek za percepciju, što uključuje selekciju i kalibraciju hardvera, razvoj masivnih cevovoda za obradu podataka i implementaciju složenih modela mašinskog učenja za detekciju i semantičku segmentaciju objekata.

Tipična linija izveštavanja zavisi od veličine kompanije. U brzorastućim startapima, inženjer može odgovarati direktno tehničkom direktoru (CTO) ili osnivaču. Kako organizacija raste, struktura se pomera ka potpredsedniku za autonomiju ili vodećem softverskom arhitekti. Funkcionalni opseg je uvek interdisciplinaran. Inženjer za percepciju ne radi u vakuumu, već deluje kao ključni most između hardverskog tima, koji postavlja senzore, i tima za planiranje i kontrolu, koji koristi podatke za donošenje odluka o kretanju. Važno je razlikovati ovog stručnjaka od opštih inženjera za računarski vid koji se bave statičkom analizom slika za veb aplikacije. Inženjer za percepciju u robotici mora da se nosi sa nepredvidivom prirodom fizičkog sveta, uključujući promenljivo osvetljenje, iznenadne okluzije, hardverske vibracije i stroge zahteve niske latencije mašina koje se brzo kreću.

Odluka o zapošljavanju inženjera za percepciju najčešće je vođena prelaskom sa rigidne automatizacije na visoko adaptivne, inteligentne sisteme. U Srbiji, ovaj prelaz je snažno podržan Strategijom za razvoj veštačke inteligencije za period 2025–2030. i nacionalnim projektima poput „Srbija 2030–2035”. Kompanije dostižu kritičnu tačku gde tradicionalna logika više nije dovoljna. Na primer, prelazak sa statičnih traka na flote autonomnih mobilnih robota u logistici zahteva inženjere koji garantuju da roboti neće ugroziti ljudske radnike. Globalni jaz u automatizaciji i nedostatak radne snage glavni su makroekonomski pokretači. Na lokalnom nivou, najava otvaranja fabrike Mint u Loznici za proizvodnju humanoidnih robota i robota pasa, kao i razvoj ekosistema za treninge u Inđiji, stvaraju hitnu potrebu za validacijom tehnologije i zapošljavanjem vrhunskih stručnjaka koji mogu dokazati da senzorski stek funkcioniše besprekorno u realnim uslovima pre obezbeđivanja daljeg finansiranja. Pored toga, rastući sektor agrotehnologije (AgTech) u Vojvodini zahteva napredne sisteme percepcije za autonomne traktore i dronove za preciznu poljoprivredu, što dodatno pojačava potražnju za ovim specifičnim profilom.

Poslodavci koji aktivno zapošljavaju ovaj profil uključuju gigante u automobilskoj industriji, proizvođače medicinskih uređaja i provajdere skladišne automatizacije. Nedavno je došlo do ogromnog porasta potražnje od strane visoko kapitalizovanih startapa fokusiranih na fizičku veštačku inteligenciju i humanoidne robote, što je trend koji se preliva i na domaće tržište sa novim proizvodnim pogonima u Šapcu i Loznici. Zadržano pronalaženje kadrova je posebno relevantno za popunjavanje ovih pozicija kada se traže eksperti za prelazak iz simulacije u stvarnost (simulation-to-reality). Ova uloga je izuzetno teška za popunjavanje jer zahteva retku konvergenciju napredne primenjene matematike, optimizacije sistema niskog nivoa i modernih metodologija dubokog učenja. Najbolji kandidati su često duboko integrisani u istraživačke divizije ili prestižne akademske laboratorije, poput onih na Institutu „Mihajlo Pupin” ili u okviru ETF Robotics grupe, te pronalaženje ovakvih talenata zahteva visoko proaktivan pristup. Headhunting agencije moraju pažljivo mapirati pasivne kandidate koji trenutno rade na složenim R&D projektima, jer oni retko aktivno traže novi posao putem standardnih oglasa.

Put do vrhunskog inženjera za percepciju u robotici je istorijski više akademski vođen nego kod konvencionalnog softverskog inženjerstva. Osnovne studije su minimum, ali retko dovoljne za seniorske uloge. Većina uspešnih praktičara poseduje master ili doktorsku diplomu iz oblasti koje zahtevaju duboku matematičku strogost. U Srbiji, Elektrotehnički fakultet Univerziteta u Beogradu, Mašinski fakultet i Fakultet tehničkih nauka u Novom Sadu predstavljaju ključne obrazovne centre. Elektronski fakultet u Nišu takođe generiše izuzetne talente u domenu obrade signala i ugrađenih (embedded) sistema. Specijalizovani programi koji spajaju mašinsko učenje, digitalnu obradu signala i teoriju upravljanja su izuzetno cenjeni. Iako je oblast akademski vođena, komercijalno tržište vrednuje i alternativne rute za iskusne softverske veterane iz vazduhoplovstva ili namenske industrije (posebno u kontekstu projekta „Digitalna vojska”), koji poseduju veštine optimizacije koda i razumevanje ograničenja u realnom vremenu, te brzo ovladavaju ROS platformama i industrijskim standardima.

Ono što zaista izdvaja vrhunskog kandidata je dokazana sposobnost da premosti jaz između digitalne teorije i fizičke stvarnosti. Dok hiljade inženjera može trenirati neuronsku mrežu u cloud okruženju, samo mali procenat može optimizovati tu mrežu da radi na uređajima sa ograničenom potrošnjom energije (edge computing) integrisanim u vozilo u pokretu. Tehnički mandat uključuje majstorstvo u programskim jezicima optimizovanim za performanse u realnom vremenu, prvenstveno C++ i Python, kao i rad sa alatima za fizikalne simulacije poput Gazebo ili Isaac Sim. Na algoritamskoj strani, oni moraju biti eksperti za 3D prostornu geometriju, probabilističku procenu stanja (Kalmanovi filteri) i multi-modalnu fuziju senzora (LiDAR, radari, RGB-D kamere, IMU). Poznavanje biblioteka kao što su OpenCV, PCL (Point Cloud Library) i rad sa CUDA arhitekturom za paralelno procesiranje je neophodno. Pored tehničkih veština, komercijalna svest je visoko cenjena. Elitni kandidat razume kako malo povećanje tačnosti detekcije objekata direktno vodi ka masovnom povećanju operativne propusnosti i sposoban je da artikuliše te složene kompromise izvršnim direktorima.

Inženjer za percepciju u robotici je usko specijalizovan, ali su njegove veštine visoko prenosive. Jedan nivo horizontalno je inženjer za kontrolu robotike, dok je nivo iznad softverski arhitekta za robotiku. Uloga percepcije je univerzalno primenjiva, bilo da se radi o medicinskom asistentu, poljoprivrednom kombajnu, industrijskom manipulatoru ili bipedalnom humanoidnom robotu. Karijerna putanja obično ide od dnevne implementacije algoritama, preko vlasništva nad kritičnim softverskim modulima, do arhitekture sistema. Na najvišem nivou, uspešni inženjeri prelaze u izvršne uloge kao što su potpredsednik za autonomiju, tehnički direktor (CTO) ili direktor za robotiku (Chief Robotics Officer), gde diktiraju dugoročnu strategiju za saradnju ljudi i robota. U ovim liderskim ulogama, fokus se pomera sa pisanja koda na upravljanje budžetima za R&D, definisanje tehnološke mape puta i vođenje multidisciplinarnih timova inženjera.

Globalna potražnja je koncentrisana u inovacionim klasterima. U Srbiji, Beograd predstavlja primarni centar zahvaljujući prisustvu ETF-a, Instituta Mihajlo Pupin i Istraživačko-razvojnog instituta za veštačku inteligenciju (IVI), dok Novi Sad, Loznica, Kragujevac i Inđija ubrzano razvijaju svoje kapacitete. Iz perspektive kompenzacije, inženjer za percepciju ostaje jedna od najlakše merljivih tehničkih uloga zbog visoke strukturne potražnje i deficita kadrova. Kompenzacione strukture prate predvidljiv miks snažne osnovne plate, bonusa za performanse i značajnih vlasničkih udela (equity) za dugoročno zadržavanje, posebno u startap ekosistemu. Za buduća referentna merenja plata, korisno je segmentirati tržište na diplomce, mid-level praktičare, seniorske arhitekte i izvršne tehničke lidere koji vode sveobuhvatne poslovne strategije u oblasti autonomije. Kompanije koje žele da privuku najbolje talente moraju ponuditi ne samo konkurentne finansijske pakete, već i pristup najsavremenijem hardveru i mogućnost rada na projektima koji pomeraju granice tehnologije.