Applied Machine Learning Engineer

В качестве Machine Learning Engineer вы будете отвечать за это исследование. Вы построите модели компенсации, обученные на данных, сравните их с сильным классическим базовым решением и определите, где ML приносит измеримую ценность, а где — нет. Это гипотеза, которую необходимо строго проверить, а не предопределённое решение.

• Создавать модели ML, предсказывающие остаточную ошибку датчика на основе наблюдаемых сигналов, включая температуру, тепловые градиенты, квадратичную амплитуду, управляющие сигналы и диагностику датчика
• Определять строгие протоколы валидации на невидимых тепловых профилях и физических единицах датчиков, чтобы продемонстрировать реальную обобщаемость
• Сравнивать обученные подходы с настроенным классическим базовым решением, объединяющим тепловую компенсацию для каждой единицы и адаптивную фильтрацию Калмана
• Квантировать границу наблюдаемости и определять, какие ошибки предсказуемы из доступных измерений, а какие находятся за пределами модели
• Обучать и оценивать модели офлайн, используя данные характеристик датчиков, отделяя значимые физические корреляции от артефактов и переобучения
• Сотрудничать с инженерами FPGA и DSP для переноса успешных подходов в лёгкие, замороженные модели, подходящие для низколатентного встраиваемого развертывания
• Чётко коммуницировать результаты, включая случаи, когда доказательства показывают, что классический подход остаётся лучшим решением

• B.Sc., M.Sc. или PhD в области компьютерных наук, прикладной математики, прикладной физики, машинного обучения или смежной технической области
• Сильный практический опыт машинного обучения с временными рядами, регрессией, данными датчиков или измерительных систем
• Хорошие навыки Python или MATLAB и опыт работы с PyTorch, scikit-learn или аналогичными фреймворками моделирования
• Опыт эффективной работы с небольшими, но ценными наборами данных, где стратегия валидации и качество данных так же важны, как и архитектура модели
• Глубокое понимание валидации модели, обобщаемости, переобучения, инженерии признаков и экспериментального дизайна
• Достаточные знания физики и обработки сигналов, чтобы оценить, является ли обнаруженная связь физически значимой или просто артефактом в данных

• Навыки C/C++ являются очень желательными
• Опыт калибровки датчиков, метрологии, инерциальных измерений или аналогичных систем физических измерений считается сильным преимуществом
• Опыт развертывания моделей ML на встраиваемых или ограниченных ресурсами платформах является плюсом
• Знакомство с аэрокосмической, оборонной, робототехнической или другими высокопроизводительными инженерными средами считается плюсом