Machine Learning Certification Researcher

Представьте, что вы закладываете математические и логические основы, благодаря которым ИИ сможет безопасно летать в реальной авиации, где критична безопасность. В роли Machine Learning Certification Researcher вы будете решать одну из фундаментальных задач современного ИИ: доказывать, что ML-модели безопасны, надёжны и математически обоснованы для применения в автономном полёте. Ваша работа соединит передовую теорию статистического обучения и формальные авиационные сертификационные рамки; вы будете опираться на предыдущие работы (EASA CoDANN I и II и отчёт FAA DOT/FAA/TC-21/48) и проверять реальные системы на практике.

• Стратегия сертификации ИИ: анализировать нашу существующую стратегию сертификации ИИ и помогать адаптировать её или разрабатывать совершенно новые стратегии для сертификации различных моделей ML с учителем.

• Согласование с рамками EASA: связывать математические гарантии, технические аргументы и оценки моделей с W-образным процессом EASA для сертификации ИИ в авиации, обеспечивая соответствие наших исследований последним нормативным требованиям.

• Теоретическая основа и моделирование: проводить исследования в области теории статистического обучения, границ обобщения и математических гарантий для глубоких нейронных сетей, работающих в динамичных реальных условиях.

• Количественная оценка неопределённости: применять статистику и случайные процессы для моделирования неопределённостей окружающей среды и шумов датчиков, а также для количественной оценки уверенности в метриках производительности.

• Оценка литературы и доказательств: критически оценивать научную литературу, математические доказательства и инженерные допущения со строгостью рецензирования, чтобы выявлять ограничения безопасности и теоретические пробелы в современных (state-of-the-art) решениях ИИ.

• Обоснование для регуляторов и аудитов: выстраивать надёжные, логичные аргументы и технические обоснования, которые превращают сложные многомерные эмпирические данные в структурированные доказательства для аудитов безопасности и сертификационных рамок.

• Алгоритмическая валидация: писать чистый, воспроизводимый код на Python для проверки теоретических гипотез, валидации механизмов сертификации и бенчмаркинга подходов к обеспечению безопасности моделей.

• Теория ML и статистическое обучение: глубокое понимание теории статистического обучения, границ обобщения и математических основ глубоких нейронных сетей.

• Статистика и случайные процессы: сильная подготовка в области продвинутой теории вероятностей, статистического моделирования и случайных процессов.

• Разработка на Python: владение Python и умение писать чистый, воспроизводимый код (этому можно также научиться в процессе работы при наличии прочной теоретической базы и базовых навыков программирования на Python).

• Методология научных исследований: подтверждённая способность или опыт проведения всесторонних обзоров литературы, выявления пробелов в современных (state-of-the-art) решениях ИИ и синтеза сложных академических концепций в практичные инженерные рамки (этому также можно научиться в процессе работы при наличии сильной количественной базы).

• Опыт рецензирования: способность или опыт участия в процессе рецензирования — умение критически оценивать математические доказательства, допущения алгоритмов и научные статьи, чтобы определять их обоснованность и ограничения.

• Вы сейчас учитесь или недавно завершили обучение в магистратуре либо докторантуре (PhD) по специальности Computer Science, математика, теоретическая статистика, электротехника, физика или в смежной количественной исследовательской области.