Ingénieur ML (Vision par ordinateur et opérations ML)

StellDirVor est une société indépendante de conseil, de commerce et de technologie spécialisée dans les technologies immersives pour la santé. Nous accompagnons les organisations dans la mise en œuvre d'innovations numériques — Réalité virtuelle, augmentée et mixte ainsi que IA — notamment pour l'apprentissage, la formation et l'assistance en temps réel dans les environnements cliniques et de soins. En combinant technologie et soins de santé, nous contribuons à optimiser les processus, à améliorer le transfert de connaissances et à améliorer la qualité des soins.
Soutenus par une subvention de partenariat entre l'Allemagne (ZIM) et Taïwan (GIPIP), nous développons actuellement ARAIAS, un système de formation et d'assistance mains libres basé sur la RA et l'IA pour le soin des plaies chroniques. Grâce à des lunettes intelligentes AR, le système permet la capture 3D, l'analyse basée sur l'IA, ainsi qu'une expertise et une documentation à distance standardisées directement sur le lieu de soins.
En tant qu'ingénieur ML (Computer Vision & ML Ops), vous développerez les capacités d'IA au cœur d'ARAIAS : évaluer et affiner les modèles de vision par ordinateur sur les données des lunettes intelligentes, exécuter les opérations de ML derrière eux et appliquer l'IA générative pour créer des images médicales synthétiques à des fins éducatives. Nous n’en sommes qu’à un stade précoce – passer du concept au prototype fonctionnel – donc l’accent à court terme est mis sur la validation des modèles et la construction d’une preuve de concept que nous pouvons tester dans des contextes éducatifs et cliniques réels.
En tant que membre d'une petite équipe, vous serez responsable de bout en bout du cycle de vie complet des données (de l'approvisionnement, du consentement et de l'annotation à la préparation), ainsi que du développement et du déploiement de modèles.
Nous accueillons des candidats de différents niveaux d'expérience. Ce qui compte le plus, c'est une base solide de ML et une véritable connaissance du domaine de l'imagerie médicale.
Tâches

• Sélectionner et comparer des modèles pré-entraînés et/ou des architectures validées pour l'analyse d'images médicales et les adapter aux données spécifiques au domaine, garantissant ainsi des performances robustes dans des conditions réelles.

• Identifier et adapter des modèles d'IA générative appropriés pour créer des images médicales synthétiques réalistes pour l'éducation et la formation.

• Évaluer et affiner les petits modèles de langage (SLM) pour l'interaction vocale (parole-texte, compréhension des intentions et synthèse vocale) optimisés pour une faible latence ou une utilisation sur appareil avec des lunettes intelligentes.

• Rechercher et évaluer les modèles de ML de pointe et les tendances émergentes, y compris l'IA explicable (XAI), la cybersécurité pour le ML, ainsi que les modes de déploiement et de distribution (edge vs cloud, apprentissage fédéré, compression de modèles).

• Planifier et exécuter le pipeline des opérations ML : collecte de données, annotation, préparation, formation, tests et déploiement.

• Proposer une stratégie de collecte de données : rechercher des sources de données publiques et cliniques appropriées, recommander le consentement du patient et d'autres exigences administratives pour la formation en ML (par exemple, accords de protection des données, approbation éthique) et définir des protocoles de collecte et d'annotation avec des experts cliniques, y compris des directives d'étiquetage et des contrôles de qualité.

• Identifier et valider les facteurs qui affectent les performances du modèle : conditions d'image, biais des ensembles de données, diversité des patients, confidentialité des données et exigences réglementaires.

• Définir des stratégies et des mesures de test et valider les résultats du modèle par rapport aux évaluations des cliniciens.

• Effectuer des analyses de création et d'achat pour les modèles, les outils et les services, y compris la comparaison des coûts.

• Estimer les coûts de calcul et de formation et proposer des budgets pour la formation et le déploiement du modèle.

• Choisissez et configurez des environnements de formation de manière flexible (matériel local ou cloud) en fonction du coût, de la confidentialité des données et des performances.

• Prendre des décisions techniques pragmatiques adaptées à l'étape de prototypage actuelle et documenter clairement les résultats.

• Maintenir une documentation claire et traçable des sources de données, des modèles, des expériences et des décisions de conception pour soutenir les audits et les examens de qualité.

• Évaluer et intégrer des capteurs supplémentaires lorsque cela est possible (par exemple, profondeur, LiDAR, thermique, multispectral) et les fusionner avec une entrée RVB.

Exigences
Indispensable

• Diplôme en informatique, science des données, génie biomédical, mathématiques ou dans un domaine connexe — ou expérience pratique équivalente

• Solides compétences en Python et utilisation pratique de PyTorch, OpenCV ou TensorFlow

• Solide compréhension de la vision par ordinateur : classification, détection d'objets et segmentation d'images, reconstruction 3D et géométrie multi-vues.

• Connaissance pratique de l'apprentissage par transfert : adapter des modèles pré-entraînés et les affiner sur des ensembles de données personnalisés.

• Connaissance pratique du cycle de vie complet du ML : préparation des données, formation, évaluation et déploiement.

• Connaissance de base des modèles génératifs (modèles de diffusion ou GAN) et des bibliothèques open source courantes

• Modèles de formation confortables à la fois localement (poste de travail GPU) et sur les plateformes cloud

• Capable d'estimer les coûts de calcul du ML et de comparer les options de création et d'achat pour prendre en charge les décisions budgétaires.

• Sensibilisation aux défis de l'imagerie médicale : données limitées, variabilité des étiquettes entre les cliniciens et déséquilibre des classes.

• Sensibilisation à la confidentialité et à l'éthique des données de santé (par exemple, RGPD, consentement du patient, anonymisation) et pourquoi l'explicabilité et les préjugés sont importants dans l'IA clinique.

• Capable de lire des articles de recherche et de les appliquer de manière pragmatique

• Autonome et pragmatique - capable de prendre des initiatives et de s'approprier les problèmes de bout en bout au sein d'une équipe réduite

• Anglais courant – l'allemand est un bonus

Un plus fort

• Projets ou cours en imagerie médicale ou en IA clinique

• Familiarité avec l'apprentissage semi-supervisé – exploitation de données limitées ou partiellement étiquetées

• Expérience du traitement de données 3D : cartes de profondeur, nuages de points ou reconstruction de maillage.

• Exposition à l'apprentissage multimodal — combinant des données RVB et de profondeur ou LiDAR

• Déploiement Edge IA ou portable (par exemple, TensorFlow Lite, ONNX, quantification de modèle)

• Connaissance des méthodes d'explicabilité (par exemple, Grad-CAM, SHAP) ou de robustesse contradictoire

• Familiarité avec les outils MLOps (par exemple, MLflow, Weights & Biases, DVC, Docker)

• Connaissance de la réglementation des dispositifs médicaux pour les logiciels d'IA (par exemple, EU MDR, IEC 62304)…

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