Empleo
Del feed del socio
Publicación de científico de datos de aprendizaje automático
Precio a consultar
Detalles
- Tipo de empleo
- Jornada completa
- Remoto
- No
- Empresa
- Differential.bio
Descripción
Traducido automáticamente de English. El texto original es el oficial. Traducción automática — se está preparando una más precisa.
Resumen de roles:
En Differential Bio, nuestra misión es desbloquear el potencial de la bioeconomía arreglando cómo se realiza la I+D biológica y la ampliación a escala.
Estamos buscando un científico de datos de aprendizaje automático para unirse a nuestro creciente equipo de modelado de vanguardia. Desarrollará nuevos algoritmos de aprendizaje automático y modelos mecanicistas de sistemas de bioprocesos y los impulsará desde una prueba de concepto de investigación hasta un uso comercial listo para la producción.
Esta función se centra en la investigación, incluida la creación de modelos híbridos que combinan enfoques mecanicistas y de aprendizaje automático para predecir cómo se comportan las fermentaciones microbianas y que siguen funcionando cuando pasamos a un nuevo organismo, un nuevo sensor o un reactor más grande. Desempeñará un papel fundamental en dos subvenciones existentes y trabajará con grupos académicos líderes y socios industriales en datos a escala piloto y de producción. Además, desarrollará nuevos proyectos de investigación y los impulsará hasta su finalización y aplicación en proyectos de clientes.
Estamos interesados en investigadores que quieran que su trabajo termine en biorreactores reales y estén entusiasmados por trabajar en una startup en etapa inicial. Debería sentirse cómodo admitiendo problemas difíciles y abiertos en los que nadie tiene todavía la respuesta, tomando decisiones basadas en evidencia en condiciones de incertidumbre y ofreciendo soluciones reales.
¿Cómo trabajarás?
• Colaborarás con líderes técnicos y socios externos académicos/industriales para diseñar y ejecutar investigaciones que cumplan con nuestros compromisos en ambos consorcios y fortalezcan nuestra propia plataforma.
• Serás dueño de tus proyectos de investigación desde el alcance hasta la entrega, con el apoyo de nuestro líder de modelado pero con autonomía e independencia.
• Trabajará en estrecha colaboración con nuestro laboratorio húmedo, laboratorio seco y equipos de software, e identificará qué datos necesita generar desde nuestro laboratorio robótico.
Responsabilidades clave:
Modelado de bioprocesos híbridos.
• Desarrollar modelos híbridos de respuesta celular mecanicista/ML que predigan los resultados de la fermentación (crecimiento, título, rendimiento, productividad) a partir de datos de procesos y sensores.
• Fusionar señales de series temporales de tecnología analítica de procesos (Raman, NIR, espectroscopia dieléctrica, oxígeno disuelto, gases de escape) con análisis fuera de línea.
• Construir pilares mecanicistas (por ejemplo, modelos cinéticos/ODE, modelos metabólicos a escala genómica) que limiten el aprendizaje y generen datos de entrenamiento sintéticos.
• Desarrollar modelos sustitutos de aprendizaje automático para simulaciones mecanicistas computacionalmente costosas.
• Cuantificar la incertidumbre para que se pueda confiar en los modelos en entornos de producción de alto riesgo.
Transferencia entre organismos y escalas.
• Diseñar modelos que se trasladen desde el laboratorio a la escala piloto y de producción, y a través de diversos microbios, incluidas bacterias y levaduras.
• Utilizar el aprendizaje por transferencia y el aprendizaje por representación para hacer buenas predicciones para nuevas cepas y procesos con pocos datos.
• Desarrollar caracterizaciones de reactores transferibles a escala y modelos KPI predictivos para su ampliación.
Control predictivo de modelos en tiempo real
• Cree la capa AI/ML para el control predictivo de modelos no lineales (NMPC) y estrategias de alimentación basadas en el aprendizaje por refuerzo para optimizar el título, la tasa y el rendimiento de forma dinámica.
• Fusionar datos en tiempo real de tecnología analítica de procesos (PAT) y sensores blandos (p. ej., Raman, NIR) en estimadores de estado dinámico para impulsar actuadores de biorreactor de circuito cerrado (alimentación, aire, agitación).
• Cree prototipos de pasos más simples y desplegables a lo largo del camino, como detección de desvíos y alertas al operador.
• Diseñar marcos de control para resolver proactivamente los cuellos de botella metabólicos y tener en cuenta de manera sólida la incertidumbre del modelo, la variabilidad entre lotes y la estocasticidad inherente de los bioprocesos.
Calificaciones:
• Doctorado en aprendizaje automático, bioingeniería, biología computacional o un campo relacionado, o una maestría con más de 3 años de experiencia relevante en la industria.
• Fuerte independencia de investigación; Capacidad para analizar y ejecutar trabajos científicos novedosos de principio a fin.
• Evidencia demostrada de contribuciones a la investigación, que incluyen (pero no se limitan a): artículos de revistas o congresos revisados por pares, asistencia a congresos y contribuciones de código abierto.
• Python potente y herramientas de aprendizaje automático modernas (por ejemplo, PyTorch/JAX, scikit-learn).
• Experiencia práctica en la construcción de modelos de sistemas dinámicos o datos de series de tiempo, idealmente combinando enfoques mecanicistas y basados en datos.
• Experiencia trabajando con modelos de codificación de frontera, incluida la orquestación de múltiples agentes.
• Comunicación clara escrita y verbal, incluso con socios que no pertenecen al ML.
Es bueno tenerlo:
• Experiencia con datos de bioprocesos o fermentación, idealmente de biorreactores en más de una escala.
• Experiencia con Raman, NIR u otros datos espectroscópicos y quimiométricos (p. ej., PLS)
• Experiencia en control predictivo de modelos, aprendizaje por refuerzo o control óptimo.
• Experiencia con aprendizaje por transferencia, adaptación de dominio o aprendizaje de representación en datos biológicos.
• Familiaridad con modelos metabólicos a escala genómica o modelos cinéticos.
• Experiencia con métodos bayesianos, cuantificación de incertidumbre o diseño de experimentos.
• Experiencia en proyectos de investigación colaborativos o financiados con fondos públicos (por ejemplo, Horizon Europe, Eurostars)
Beneficios:
• Compensación competitiva a través de salario + opciones sobre acciones; buscamos formar un equipo pequeño pero poderoso y pensar en una compensación en ese sentido;
• Construya su perfil de investigación: trabaje en problemas abiertos con los principales socios académicos e industriales europeos, con la intención de presentar y publicar su trabajo;
• Una hermosa oficina en el corazón de Múnich u opción de trabajo remoto con viajes ocasionales
• Membresía WellPass de eGym
Encuentre empleo en Alemania en Arbeitnow
Fuente: Arbeitnow (https://www.arbeitnow.com/jobs/companies/ Differentialbio/machine-learning-data-scientist-posting-munich-468450)
En Differential Bio, nuestra misión es desbloquear el potencial de la bioeconomía arreglando cómo se realiza la I+D biológica y la ampliación a escala.
Estamos buscando un científico de datos de aprendizaje automático para unirse a nuestro creciente equipo de modelado de vanguardia. Desarrollará nuevos algoritmos de aprendizaje automático y modelos mecanicistas de sistemas de bioprocesos y los impulsará desde una prueba de concepto de investigación hasta un uso comercial listo para la producción.
Esta función se centra en la investigación, incluida la creación de modelos híbridos que combinan enfoques mecanicistas y de aprendizaje automático para predecir cómo se comportan las fermentaciones microbianas y que siguen funcionando cuando pasamos a un nuevo organismo, un nuevo sensor o un reactor más grande. Desempeñará un papel fundamental en dos subvenciones existentes y trabajará con grupos académicos líderes y socios industriales en datos a escala piloto y de producción. Además, desarrollará nuevos proyectos de investigación y los impulsará hasta su finalización y aplicación en proyectos de clientes.
Estamos interesados en investigadores que quieran que su trabajo termine en biorreactores reales y estén entusiasmados por trabajar en una startup en etapa inicial. Debería sentirse cómodo admitiendo problemas difíciles y abiertos en los que nadie tiene todavía la respuesta, tomando decisiones basadas en evidencia en condiciones de incertidumbre y ofreciendo soluciones reales.
¿Cómo trabajarás?
• Colaborarás con líderes técnicos y socios externos académicos/industriales para diseñar y ejecutar investigaciones que cumplan con nuestros compromisos en ambos consorcios y fortalezcan nuestra propia plataforma.
• Serás dueño de tus proyectos de investigación desde el alcance hasta la entrega, con el apoyo de nuestro líder de modelado pero con autonomía e independencia.
• Trabajará en estrecha colaboración con nuestro laboratorio húmedo, laboratorio seco y equipos de software, e identificará qué datos necesita generar desde nuestro laboratorio robótico.
Responsabilidades clave:
Modelado de bioprocesos híbridos.
• Desarrollar modelos híbridos de respuesta celular mecanicista/ML que predigan los resultados de la fermentación (crecimiento, título, rendimiento, productividad) a partir de datos de procesos y sensores.
• Fusionar señales de series temporales de tecnología analítica de procesos (Raman, NIR, espectroscopia dieléctrica, oxígeno disuelto, gases de escape) con análisis fuera de línea.
• Construir pilares mecanicistas (por ejemplo, modelos cinéticos/ODE, modelos metabólicos a escala genómica) que limiten el aprendizaje y generen datos de entrenamiento sintéticos.
• Desarrollar modelos sustitutos de aprendizaje automático para simulaciones mecanicistas computacionalmente costosas.
• Cuantificar la incertidumbre para que se pueda confiar en los modelos en entornos de producción de alto riesgo.
Transferencia entre organismos y escalas.
• Diseñar modelos que se trasladen desde el laboratorio a la escala piloto y de producción, y a través de diversos microbios, incluidas bacterias y levaduras.
• Utilizar el aprendizaje por transferencia y el aprendizaje por representación para hacer buenas predicciones para nuevas cepas y procesos con pocos datos.
• Desarrollar caracterizaciones de reactores transferibles a escala y modelos KPI predictivos para su ampliación.
Control predictivo de modelos en tiempo real
• Cree la capa AI/ML para el control predictivo de modelos no lineales (NMPC) y estrategias de alimentación basadas en el aprendizaje por refuerzo para optimizar el título, la tasa y el rendimiento de forma dinámica.
• Fusionar datos en tiempo real de tecnología analítica de procesos (PAT) y sensores blandos (p. ej., Raman, NIR) en estimadores de estado dinámico para impulsar actuadores de biorreactor de circuito cerrado (alimentación, aire, agitación).
• Cree prototipos de pasos más simples y desplegables a lo largo del camino, como detección de desvíos y alertas al operador.
• Diseñar marcos de control para resolver proactivamente los cuellos de botella metabólicos y tener en cuenta de manera sólida la incertidumbre del modelo, la variabilidad entre lotes y la estocasticidad inherente de los bioprocesos.
Calificaciones:
• Doctorado en aprendizaje automático, bioingeniería, biología computacional o un campo relacionado, o una maestría con más de 3 años de experiencia relevante en la industria.
• Fuerte independencia de investigación; Capacidad para analizar y ejecutar trabajos científicos novedosos de principio a fin.
• Evidencia demostrada de contribuciones a la investigación, que incluyen (pero no se limitan a): artículos de revistas o congresos revisados por pares, asistencia a congresos y contribuciones de código abierto.
• Python potente y herramientas de aprendizaje automático modernas (por ejemplo, PyTorch/JAX, scikit-learn).
• Experiencia práctica en la construcción de modelos de sistemas dinámicos o datos de series de tiempo, idealmente combinando enfoques mecanicistas y basados en datos.
• Experiencia trabajando con modelos de codificación de frontera, incluida la orquestación de múltiples agentes.
• Comunicación clara escrita y verbal, incluso con socios que no pertenecen al ML.
Es bueno tenerlo:
• Experiencia con datos de bioprocesos o fermentación, idealmente de biorreactores en más de una escala.
• Experiencia con Raman, NIR u otros datos espectroscópicos y quimiométricos (p. ej., PLS)
• Experiencia en control predictivo de modelos, aprendizaje por refuerzo o control óptimo.
• Experiencia con aprendizaje por transferencia, adaptación de dominio o aprendizaje de representación en datos biológicos.
• Familiaridad con modelos metabólicos a escala genómica o modelos cinéticos.
• Experiencia con métodos bayesianos, cuantificación de incertidumbre o diseño de experimentos.
• Experiencia en proyectos de investigación colaborativos o financiados con fondos públicos (por ejemplo, Horizon Europe, Eurostars)
Beneficios:
• Compensación competitiva a través de salario + opciones sobre acciones; buscamos formar un equipo pequeño pero poderoso y pensar en una compensación en ese sentido;
• Construya su perfil de investigación: trabaje en problemas abiertos con los principales socios académicos e industriales europeos, con la intención de presentar y publicar su trabajo;
• Una hermosa oficina en el corazón de Múnich u opción de trabajo remoto con viajes ocasionales
• Membresía WellPass de eGym
Encuentre empleo en Alemania en Arbeitnow
Fuente: Arbeitnow (https://www.arbeitnow.com/jobs/companies/ Differentialbio/machine-learning-data-scientist-posting-munich-468450)
Este anuncio proviene de un feed de socios. Solicítalo en el sitio web de origen.
Fuente: Differential.bio
Ubicación
Múnich, Alemania
Publicación proporcionada por Differential.bio.
