Praktikant in der KI-Forschung

TLDR: Davis AI stellt einen KI-Forschungspraktikanten ein, um unser hochmodernes Grundriss-Generierungsmodell weiter voranzutreiben und zu skalieren. Bildbasierte Modelle erstellen Pläne, die gegen die geprüften Bauvorschriften verstoßen. Bei uns geht es um die Struktur, nicht um die Pixel, und übertrifft bereits alle Benchmarks. Sie werden Teil des Technologieteams und führen zusammen mit Architekten fälschbare Ablationen auf unserem diskreten Diffusionsmodell durch, verbessern Training, Konditionierung und Probenahme im Multi-GPU-Maßstab und bauen die Vision-Pipeline auf, die Rohpläne in Trainingsdaten umwandelt.

Über Davis
Davis ist ein KI-natives Immobilienunternehmen, das die Entwicklung in der Frühphase und das Architekturdesign beschleunigt. Heutzutage koordinieren Entwickler über Wochen oder Monate hinweg vier bis fünf fragmentierte Stakeholder. Bald brauchen sie nur noch einen: Davis.
Wir wandeln jeden Input, der eine Entwicklungsentscheidung prägt, in entscheidungsreife Ergebnisse um: Machbarkeitsstudien auf Investorenebene, Investitionsanalysen und vom Architekten zertifizierte Entwürfe, die innerhalb weniger Tage geliefert werden. In jeder Phase werden unsere proprietären KI-Systeme mit Expertenbewertungen kombiniert, sodass Geschwindigkeit niemals auf Kosten der Zuverlässigkeit geht.
Wir haben unter der gemeinsamen Leitung von Heartcore Capital und Balderton Capital mit Yellow, Evantic und Entrepreneur First sowie Angels aus den Gründerteams von Spacemaker, Black Forest Labs, Hugging Face, Supabase, Cleo und Spore Bio ein Pre-Seed-Projekt im Wert von 5,5 Millionen US-Dollar abgeschlossen. Wir arbeiten bereits mit führenden Entwicklern zusammen und gehen davon aus, im kommenden Jahr Hunderte von Projekten zu unterstützen, indem wir unsere Forschung, unsere Einstellungsverfahren und unsere umfassende Abdeckung des Entwicklungsprozesses vertiefen.

Unsere Mission
Wir erstellen ein Grundlagenmodell für den Architekturentwurf, das von Grund auf konforme, bearbeitbare Gebäudelayouts generiert. Durch die Nutzung diskreter Diffusionsmodelle (die auf strukturierten Darstellungen statt auf Pixeln basieren) wollen wir Grundrisse und Lagepläne erstellen, die reale Einschränkungen (Zonengesetze, Platzbedarf usw.) berücksichtigen und wie ein von Menschen entworfener Plan iterativ verfeinert werden können.

Die Rolle
Wir suchen einen Praktikanten als KI-Forschungsingenieur, der diese Bemühungen in unserem Pariser Büro leitet. Wenn Sie daran interessiert sind, den neuesten Stand der Technik bei generativen Modellen voranzutreiben und ihn auf einen wirkungsvollen Bereich anzuwenden, bietet diese Rolle eine einzigartige Gelegenheit, eine neue Klasse von KI-gesteuerten Designtools zu definieren. Sie arbeiten in einem fokussierten Team aus drei Ingenieuren und Forschern und arbeiten täglich mit Architekturexperten zusammen, um Grundlagenforschung in einsetzbare Tools umzusetzen.
Woran Sie arbeiten werden:

• Modellarchitektur und Design Raumerkundung: Nehmen Sie eine offene Frage zum Modell und beantworten Sie sie richtig. Lesen Sie die Fachliteratur, bilden Sie eine Hypothese, entwerfen Sie die Ablation, die sie tatsächlich falsifizieren kann, führen Sie sie durch und geben Sie dem, was Sie gefunden haben, einen Sinn.

• Modellverbesserung: Verbessern Sie unser SOTA-Modell. Das bedeutet, dass das Training auf Multi-GPU-Knoten ausgeführt wird, Verlustkurven und generierte Stichproben liest und Architektur, Verlustdesign, Konditionierung und Stichproben iteriert.

• Erstellung von Datensätzen: Trainingsdaten sind der größte Hebel für die Ausgabequalität. Die Arbeit besteht darin, die Agenten-Pipeline aufzubauen, die sie automatisch erzeugt, was im Kern ein Computer-Vision-Problem ist: Rasterpläne, PDFs und Scans in eine saubere, konsistente strukturierte Darstellung zu analysieren.

Was wir suchen

• Exzellente angewandte Forschung: Derzeit in einem erstklassigen MSc/PhD (oder gleichwertigen Abschluss) in ML, CS, angewandter Mathematik oder einem eng verwandten Bereich.

• Diffusionsmodell-Expertise: Ausgeprägtes Verständnis von Diffusionsmodellen (diskret oder kontinuierlich), geführten Generierungstechniken und den neuesten Fortschritten in der generativen Modellierung.

• Technische Ingenieurkenntnisse: Starker Programmierer in Python mit Erfahrung in PyTorch. Fähigkeit, effizienten, wartbaren Code zu schreiben und Trainingspipelines zu optimieren. Vertrautheit mit verteilten Trainingsbibliotheken (z. B. PyTorch Lightning) ist von Vorteil.

• Forschungskompetenz: Fähigkeit, fortgeschrittene ML-Forschung zu lesen, zu bewerten und umzusetzen. Sie bleiben auf dem neuesten Stand der generativen Modellierungsarbeit und können modernste Methoden an domänenspezifische Probleme anpassen.

• Zusammenarbeit und Kommunikation: Starke Teamfähigkeit. Kann komplexe Konzepte klar formulieren und eng mit KI-Ingenieuren, Forschern und Fachexperten zusammenarbeiten, um technische Lösungen in den architektonischen Design-Workflow zu integrieren.

Schön zu haben

• Erfahrung: Ehemaliges Praktikum im Bereich Diffusion oder generative Modellierung

• Veröffentlichungen/Open Source: Forschungspublikationen zur generativen Modellierung (Diffusion, VAEs, Flüsse, GANs) oder bedeutende Open-Source-Beiträge, die die Fähigkeit demonstrieren, hochmoderne Systeme voranzutreiben.

• Domänenkenntnisse: Obwohl nicht erforderlich, ist ein Interesse an Architektur oder Design hilfreich.

• Reinforcement Learning & Optimization: Erfahrung mit RL, Belohnungsmodellierung oder eingeschränkter Optimierung (insbesondere MCTS, GRPO und RLHF), relevant für die Steuerung generativer Modelle unter komplexen Einschränkungen.

• Multimodale Generierung: Erfahrung mit graphbasierten, sequenzbasierten oder diskret strukturierten generativen Modellen (z. B. Molekülgenerierung, Layoutgenerierung, Programmsynthese) oder mit graphischen neuronalen Netzen.

• Computer Vision: Erfahrung mit dem Verständnis von Dokumenten und strukturierten Bildern, wie z. B. VLMs, OCR und Layout-Analyse, Vektorisierung oder Segmentierungs- und Erkennungspipelines, die auf Pläne, Diagramme oder CAD-ähnliche Quellen angewendet werden.

• Agentische Systeme: Erfahrung im Aufbau von LLM-Agenten-Pipelines – Tool-Nutzung, mehrstufige Arbeitsabläufe, Prompt-Optimierungs-Frameworks (DSPy, GEPA) – und die Evaluierungssysteme, die erforderlich sind, um sie in großem Maßstab zuverlässig zu machen.

Warum sollten Sie bei uns mitmachen?
Sie werden von Anfang an Teil eines 12-köpfigen Teams, in dem jede Ihrer Entscheidungen das Produkt, die Kultur und die Entwicklung des Unternehmens prägt. Was Sie hier bauen, gehört Ihnen.

• Bauen Sie, was noch niemand zuvor hatte: das Fundamentmodell, das den architektonischen Entwurf automatisiert und neu definiert, wie Städte vorgestellt, entworfen und gebaut werden.…

Quelle: Arbeitnow (https://www.arbeitnow.fr/jobs/companies/meetdavis/ai-research-intern-paris-170778)