Отчет о мошенничестве с поддельными документами 2025 года

Стажировка в Smart Engines

Smart Engines – технологический лидер на рынке распознавания документов в России и за рубежом.

Мы занимаемся разработкой AI-алгоритмов для распознавания документов, банковских карт и баркодов и поставляем решения ведущим банкам, операторам связи и другим организациям.

Технологиями Smart Engines пользуются 70% жителей России и больше 275 млн человек по всему миру.

исследование CNews

Источник: исследование CNews

Руководящий принцип Smart Engines – Science First

Мы двигаем передний край науки, а плодами наших исследований становятся самые совершенные системы искусственного интеллекта.

  • В компании 21 сотрудник обладает ученой степенью доктора или кандидата наук;
  • Более 80% сотрудников нашей компании занимаются научной деятельностью;
  • Компания имеет собственную кафедру в МФТИ (кафедру когнитивных технологий).

С первого дня — в реальных проектах

Мы ведем непрерывную подготовку следующего поколения молодых ученых и передаем им наш научный опыт.

В Smart Engines работа строится на стыке науки и практики. Прикладные задачи рассматриваются как полноценные исследования, которые ведет один и тот же специалист — от постановки задачи до получения научного и практического результата.

Направления стажировок

Нейросетевые технологии

Наши нейросетевые лаборатории решают широкий спектр научных и прикладных задач, связанных с искусственным интеллектом:

  • Решение задач OCR
  • Решение задач поиска объектов
  • Распознавание лиц
  • Разработка компактных языковых моделей
  • Синтез и аугментация данных
  • Поиск аномалий на изображениях
  • Выявление дипфейков
  • Разработка компактных нейросетевых архитектур
  • Разработка и реализация новых моделей и слоев: Хаф-слои, IIR-слои, KAN и др

Требуется:

  • C++
  • Python
  • Опыт работы с нейронными сетями
Примеры задач, которые мы решили вместе с нашими студентами:
Исследование применимости нейронных сетей Колмогорова-Арнольда для задач компьютерного зрения
Разработка нового типа слоя на основе быстрого преобразования Хафа для улучшения качества семантической сегментации
Ershova D. M., Gayer A. V., Sheshkus A. V., Arlazarov V. V. An Ultra-Lightweight Approach for Machine Readable Zone Detection via Semantic Segmentation and Fast Hough Transform // ICDAR 2024 — 2024. — Т. 14807. — № 4. — С. 359-374.

Низкоуровневая оптимизация

Лаборатория оптимизации работает над тем, чтобы наши продукты могли одинаково быстро работать на устройствах конечных пользователей — десктопах, планшетах, мобильных телефонах. Для этого решаются следующие задачи:

  • Вычислительно-эффективные реализации алгоритмов компьютерного зрения
  • Создание принципиально новых моделей нейронных сетей для работы в условиях ограниченных ресурсов на мобильных устройствах.
  • Оптимизация под конкретные вычислители (x86, ARM, Elbrus, MIPS)

Требуется:

  • С/C++
  • Архитектура процессора
  • Основы операционных систем
Примеры задач, которые мы решили вместе с нашими студентами:
Исследование понейронного подхода к квантованию компактных нейронных сетей
Sher A. V., Trusov A. V., Limonova E. E., Nikolaev D. P., Arlazarov V. V. Neuron-by-Neuron Quantization for Efficient Low-Bit QNN Training // Mathematics. — 2023. — Т. 11. — № 9. — С. 2112-1-2112-17.
Разработка усредняющего слоя для сверточных сетей, позволяющего добиться 15% ускорения без снижения точности
Kiyamova K. S., Limonova E. E., Zingerenko M. V., Nikolaev D. P., Arlazarov V. V. Fast Approximate Matrix Multiplication for 8-bit Neural Networks Using Tree Averaging // ICMV 2025 — 2026. — Т. 14114. — С. 141142B1-141142B8.
Разработка вычислительно-эффективного векторного фреймворка для робастной оценки гипотез
Rybakova E. O., Trusov A. V., Limonova E. E., Skoryukina N. S., Bulatov K. B., Nikolaev D. P. PESAC, the Generalized Framework for RANSAC-Based Methods on SIMD Computing Platforms // IEEE Access. — 2023. — Т. 11. — С. 82151-82166.

Оценка качества изображения

В лаборатории оценки качества изображений выявляют:
  • Причины плохого распознавания: блики, перекрытие полей, размытие
  • Признаки фальсификации

А еще у них есть настоящие сканеры для получения изображения документа не только в оптическом, но и ультрафиолетовом и инфракрасном диапазонах!

Требуется:

  • С/C++
  • Python
  • Основы классических методов обработки изображений
  • Линейная алгебра
  • Статистика
Примеры задач, которые мы решили вместе с нашими студентами:
Детекция ксерокопией документов, предъявленных вместо оригинального документа
Tolstenko L. S., Bursikov A. D., Kunina I. A. Detection of Photocopied Documents in Remote Identity Verification By Presence of the Paper Frame // ICMV 2025 — 2026. — Т. 14114. — С. 141142E1-141142E8
Детекция пальцев на изображение документа
Tolstenko L. S., Kunina I. A. Detection of Fingers in Document Images Captured in Uncontrolled Environment // ICMV 2023— 2024. — Т. 13072. — С. 130720M1-130720M9.
Детекция ч/б ксерокопий
Kunina I. A., Padas O. A., Kolomyttseva O. A. Verification of color characteristics of document images captured in uncontrolled conditions // Компьютерная оптика. — 2024. — Т. 48. — № 4. — С. 554-561.
Детекция съемки с экрана
Kunina I. A., Sher A. V., Nikolaev D. P. Screen recapture detection based on color-texture analysis of document boundary regions // Компьютерная оптика. — 2023. — Т. 47. — № 4. — С. 650-657.

Локализация и геометрическая нормализация документов

Эта лаборатория занимается задачами, без которых невозможен дальнейший анализ документа:

  • Поиском документа
  • Определением типа документа
  • Исправлением проективно и непроективно искаженных документов (сложенных, изогнутых и помятых)

Требуется:

  • С/C++
  • Численные методы
  • Компьютерная геометрия
  • Нелинейная оптимизация
  • Линейная алгебра
  • Обработка изображений
  • Опционально: опыт работы с нейронными сетями
Примеры задач, которые мы решили вместе с нашими студентами:
Распрямление документов, сложенных в несколько раз
Ershov A. M., Tropin D. V., Limonova E. E., Nikolaev D. P., Arlazarov V. V. Unfolder: fast localization and image rectification of a document with a crease from folding in half // Компьютерная оптика. — 2024. — Т. 48. — № 4. — С. 542-553.
Использование модели двух плоскостей для распрямления документов с одним произвольным сгибом
Ershov A., Tropin D., Kazimirov D., Bulatov K., Nikolaev D. P. Utilizing a two planes model to rectify documents with a single arbitrary crease // IEEE Access. — 2024. — Т. 12. — С. 147073-147086.
Моделирование устойчивости метода распрямления документа с одним произвольным сгибом
Ershov A., Tropin D., Nikolaev D. On the robustness of a rectification algorithm for documents with a single crease // ECMS 2025. — Т. 39. — 2025. — Т. 39. — № 1. — С. 419-426.

Вычислительная визуализация и томография

Лаборатория компьютерной томографии занимается разработкой алгоритмов реконструкции и коррекции КТ-изображений, построением 3D-моделей по изображению, сегментацией и анализом трехмерных снимков.

Требуется:

  • С/C++
  • Геометрия, математический анализ
  • Опционально: Qt, CUDA, OpenGL
Примеры задач, которые мы решили вместе с нашими студентами:
Оценка робастности классических и нейросетевых методов томографической реконструкции
Smolin A., Yamaev A., Ingacheva A., Shevtsova T., Polevoy D., Chukalina M., Nikolaev D., Arlazarov V. Reprojection-based numerical measure of robustness for CT reconstruction neural networks algorithms // Mathematics. — 2022. — Т. 10. — № 22. — 4210.
Нейросетевое виртуальное разворачивание трехмерных моделей свитков
Kulagin P. A., Polevoy D. V., Chukalina M. V., Nikolaev D. P., Arlazarov V. V. Fully automatic virtual unwrapping method for documents imaged by X-ray tomography // ICDAR 2024 — 2024. — Т. 14806. — № 3. — С. 233-250.
КТ реконструкция в реальном времени на микротомографе
Gilmanov M. I., Bulatov K. B., Bugai O. A., Ingacheva A. S., Chukalina M. V., Nikolaev D. P., Arlazarov V. V. Applicability and potential of monitored reconstruction in computed tomography // PLoS ONE. — 2024. — Т. 19. — № 7. — С. e0307231-1-e0307231-20.

Моделирование документов

Для тех, кто не уверен в своих знаниях или просто еще не определился со сферой интересов, у нас есть замечательная начальная позиция — в отделе, занимающимся созданием и анализом моделей идентификационных и бизнес-документов.

В этом отделе вы:

  • Узнаете, какие этапы проходит документ от входной картинки до результата распознавания
  • Увидите, как просто и быстро можно настроить распознавание нового документа в нашем графическом редакторе
  • Сможете познакомиться с нашими отделами и лабораториями изнутри и выбрать для себя направление роста внутри компании

Требуется:

  • Желание работать
  • Навыки программирования НЕ нужны

Разработка и усовершенствование систем распознавания документов

Наши команды разработчиков также рады видеть стажеров для:

  • развития наших распознающих систем
  • разработки и усовершенствования нашей внутренней инфраструктуры

Требуется:

  • git
  • cmake
  • С/C++
  • Python
  • Опционально: Qt

Как попасть на стажировку в Smart Engines

Мы приглашаем студентов 3-6 курсов присоединиться к нашим научным проектам:

Условия стажировки:

  • Офлайн (Москва, м. Ленинский проспект)
  • Длительность стажировки – 3 месяца
  • Частичная занятость на время учебы (от 16 часов в неделю)

Стажировка оплачивается

Запись на собеседование по почте job@smartengines.ru

По результатам стажировки успешные студенты получат приглашение на работу в Smart Engines.

Заказать продукт

Для заказа решений, получения подробной информации или триал версий заполните приведенную ниже форму, и мы обязательно с Вами свяжемся.

    Array ( )