Μηχανικός ML (Computer Vision & ML Ops)

Η StellDirVor είναι μια ανεξάρτητη συμβουλευτική, εμπορική και τεχνολογική εταιρεία που ειδικεύεται σε καθηλωτικές τεχνολογίες για την υγειονομική περίθαλψη. Υποστηρίζουμε οργανισμούς στην εφαρμογή ψηφιακών καινοτομιών — εικονικής, επαυξημένης και μικτής πραγματικότητας καθώς και τεχνητής νοημοσύνης — ιδιαίτερα για μάθηση, εκπαίδευση και βοήθεια σε πραγματικό χρόνο σε περιβάλλοντα κλινικής και φροντίδας. Συνδυάζοντας τεχνολογία και υγειονομική περίθαλψη, συμβάλλουμε στη βελτιστοποίηση των διαδικασιών, στη βελτίωση της μεταφοράς γνώσης και στη βελτίωση της ποιότητας της περίθαλψης.
Με την υποστήριξη μιας επιχορήγησης συνεργασίας Γερμανίας (ZIM) και Ταϊβάν (GIPIP), αναπτύσσουμε επί του παρόντος το ARAIAS — ένα σύστημα εκπαίδευσης και βοήθειας hands-free βασισμένο σε AR και AI για τη φροντίδα χρόνιων τραυμάτων. Χρησιμοποιώντας έξυπνα γυαλιά AR, το σύστημα επιτρέπει τη λήψη 3D, την ανάλυση που υποστηρίζεται από AI και την τυποποιημένη εξ αποστάσεως εξειδίκευση και τεκμηρίωση απευθείας στο σημείο φροντίδας.
Ως Μηχανικός ML (Computer Vision & ML Ops), θα δημιουργήσετε τις δυνατότητες AI στον πυρήνα του ARAIAS: αξιολόγηση και ρύθμιση μοντέλων όρασης υπολογιστή σε δεδομένα έξυπνων γυαλιών, εκτέλεση των λειτουργιών ML πίσω από αυτά και εφαρμογή γενετικής τεχνητής νοημοσύνης για τη δημιουργία συνθετικών ιατρικών εικόνων για εκπαίδευση. Βρισκόμαστε σε πρώιμο στάδιο — μεταβαίνοντας από το concept στο λειτουργικό πρωτότυπο — οπότε η βραχυπρόθεσμη εστίαση είναι στην επικύρωση μοντέλων και στην οικοδόμηση προς μια απόδειξη της ιδέας που μπορούμε να δοκιμάσουμε σε πραγματικές εκπαιδευτικές και κλινικές συνθήκες.
Ως μέρος μιας μικρής ομάδας, θα είστε κάτοχος του πλήρους κύκλου ζωής δεδομένων από άκρο σε άκρο — από την προμήθεια, τη συγκατάθεση και τον σχολιασμό έως την προετοιμασία — παράλληλα με την ανάπτυξη και την ανάπτυξη μοντέλων.
Καλωσορίζουμε υποψηφίους σε διαφορετικά επίπεδα εμπειρίας. Αυτό που έχει μεγαλύτερη σημασία είναι η σταθερή βάση της ML και η γνήσια επίγνωση του τομέα της ιατρικής απεικόνισης.
Καθήκοντα

• Επιλογή και συγκριτική αξιολόγηση προεκπαιδευμένων μοντέλων ή/και επικυρωμένων αρχιτεκτονικών για ανάλυση ιατρικών εικόνων και προσαρμογή τους σε δεδομένα συγκεκριμένου τομέα, διασφαλίζοντας ισχυρή απόδοση σε πραγματικές συνθήκες

• Προσδιορίστε και προσαρμόστε κατάλληλα παραγωγικά μοντέλα AI για τη δημιουργία ρεαλιστικών συνθετικών ιατρικών εικόνων για εκπαίδευση και κατάρτιση

• Αξιολογήστε και βελτιστοποιήστε μοντέλα μικρών γλωσσών (SLM) για φωνητική αλληλεπίδραση — ομιλία σε κείμενο, κατανόηση πρόθεσης και μετατροπή κειμένου σε ομιλία — βελτιστοποιημένα για χρήση σε χαμηλή καθυστέρηση ή στη συσκευή με έξυπνα γυαλιά

• Έρευνα και αξιολόγηση προηγμένων μοντέλων ML και αναδυόμενων τάσεων, συμπεριλαμβανομένου του Explainable AI (XAI), της ασφάλειας στον κυβερνοχώρο για ML και τρόπων ανάπτυξης και διανομής (edge έναντι cloud, ομοσπονδιακή μάθηση, συμπίεση μοντέλων)

• Σχεδιάστε και εκτελέστε τη γραμμή λειτουργιών ML — συλλογή δεδομένων, σχολιασμός, προετοιμασία, εκπαίδευση, δοκιμή και ανάπτυξη

• Προτείνετε μια στρατηγική συλλογής δεδομένων — ερευνήστε κατάλληλες δημόσιες και κλινικές πηγές δεδομένων, προτείνετε τη συναίνεση του ασθενούς και άλλες διοικητικές απαιτήσεις για εκπαίδευση ML (π.χ. συμφωνίες προστασίας δεδομένων, έγκριση δεοντολογίας) και ορίστε πρωτόκολλα συλλογής και σχολιασμού με κλινικούς ειδικούς, συμπεριλαμβανομένων κατευθυντήριων γραμμών επισήμανσης και ποιοτικών ελέγχων

• Προσδιορισμός και επικύρωση παραγόντων που επηρεάζουν την απόδοση του μοντέλου — συνθήκες εικόνας, μεροληψία δεδομένων, ποικιλομορφία ασθενών, απόρρητο δεδομένων και κανονιστικές απαιτήσεις

• Καθορίστε στρατηγικές και μετρήσεις δοκιμών και επικυρώστε τα αποτελέσματα του μοντέλου σε σχέση με τις αξιολογήσεις των κλινικών γιατρών

• Εκτελέστε αναλύσεις κατασκευής έναντι αγοράς για μοντέλα, εργαλεία και υπηρεσίες, συμπεριλαμβανομένης της σύγκρισης κόστους

• Εκτίμηση του κόστους υπολογισμού και εκπαίδευσης και πρόταση προϋπολογισμού για την εκπαίδευση και την ανάπτυξη μοντέλων

• Επιλέξτε και ρυθμίστε ευέλικτα περιβάλλοντα εκπαίδευσης — τοπικό υλικό ή cloud — με βάση το κόστος, το απόρρητο δεδομένων και την απόδοση

• Λάβετε ρεαλιστικές τεχνικές αποφάσεις κατάλληλες για το τρέχον στάδιο κατασκευής πρωτοτύπων και τεκμηριώστε τα αποτελέσματα με σαφήνεια

• Διατηρήστε σαφή, ανιχνεύσιμη τεκμηρίωση πηγών δεδομένων, μοντέλων, πειραμάτων και σχεδιαστικών αποφάσεων για την υποστήριξη ελέγχων και ποιοτικών ελέγχων

• Αξιολογήστε και ενσωματώστε πρόσθετους αισθητήρες όπου είναι εφικτό (π.χ. βάθος, LiDAR, θερμικός, πολυφασματικός) και συντήξτε τους με είσοδο RGB

Απαιτήσεις
Must-Have

• Πτυχίο Επιστήμης Υπολογιστών, Επιστήμης Δεδομένων, Βιοϊατρικής Μηχανικής, Μαθηματικών ή συναφούς κλάδου — ή ισοδύναμο πρακτικό υπόβαθρο

• Ισχυρές δεξιότητες Python και πρακτική χρήση των PyTorch, OpenCV ή TensorFlow

• Στέρεη κατανόηση της όρασης υπολογιστή — ταξινόμηση, ανίχνευση αντικειμένων και τμηματοποίηση εικόνας, 3D ανακατασκευή και γεωμετρία πολλαπλών προβολών

• Πρακτική γνώση της μεταφοράς μάθησης — προσαρμογή προεκπαιδευμένων μοντέλων και προσαρμογή τους σε προσαρμοσμένα σύνολα δεδομένων

• Εργασιακή γνώση του πλήρους κύκλου ζωής ML — προετοιμασία δεδομένων, εκπαίδευση, αξιολόγηση και ανάπτυξη

• Βασικές γνώσεις μοντέλων παραγωγής (μοντέλα διάχυσης ή GAN) και κοινών βιβλιοθηκών ανοιχτού κώδικα

• Άνετα μοντέλα εκπαίδευσης τόσο τοπικά (σταθμός εργασίας GPU) όσο και σε πλατφόρμες cloud

• Ικανός να υπολογίζει το κόστος ML και να συγκρίνει επιλογές κατασκευής έναντι αγοράς για να υποστηρίξει τις αποφάσεις για τον προϋπολογισμό

• Επίγνωση των προκλήσεων της ιατρικής απεικόνισης — περιορισμένα δεδομένα, διακύμανση της ετικέτας μεταξύ των γιατρών και ανισορροπία τάξης

• Επίγνωση του απορρήτου και της δεοντολογίας των δεδομένων υγειονομικής περίθαλψης (π.χ. GDPR, συναίνεση ασθενών, ανωνυμοποίηση) και γιατί η επεξήγηση και η μεροληψία έχουν σημασία στην κλινική τεχνητή νοημοσύνη

• Ικανός να διαβάζει ερευνητικές εργασίες και να τις εφαρμόζει ρεαλιστικά

• Αυτοκατευθυνόμενος και ρεαλιστής — ικανός να αναλαμβάνει πρωτοβουλίες και να έχει τα προβλήματα του από άκρο σε άκρο σε μια αδύνατο ομάδα

• Άπταιστα αγγλικά — Τα γερμανικά είναι μπόνους

Strong Plus

• Έργα ή μαθήματα ιατρικής απεικόνισης ή κλινικής τεχνητής νοημοσύνης

• Εξοικείωση με ημι-εποπτευόμενη μάθηση — αξιοποίηση περιορισμένων ή μερικώς επισημασμένων δεδομένων

• Εμπειρία με την επεξεργασία δεδομένων 3D — χάρτες βάθους, σύννεφα σημείων ή ανακατασκευή πλέγματος

• Έκθεση σε πολλαπλή μάθηση — συνδυασμός δεδομένων RGB και βάθους ή LiDAR

• Edge AI ή ανάπτυξη φορητών συσκευών (π.χ. TensorFlow Lite, ONNX, κβαντοποίηση μοντέλου)

• Γνώση μεθόδων επεξήγησης (π.χ. Grad-CAM, SHAP) ή στιβαρότητας αντιπάλου

• Εξοικείωση με τα εργαλεία MLOps (π.χ. MLflow, Weights & Biases, DVC, Docker)

• Επίγνωση του κανονισμού ιατρικών συσκευών για λογισμικό τεχνητής νοημοσύνης (π.χ. EU MDR, IEC 62304)…

Πηγή: Arbeitnow (https://www.arbeitnow.com/jobs/companies/stelldirvor-gmbh/ml-engineer-computer-vision-ml-ops-munich-359350)