Badacz zajmujący się certyfikacją uczenia maszynowego

O roli
Wyobraź sobie, że jesteś pionierem w zakresie podstaw matematycznych i logicznych, które umożliwiają sztucznej inteligencji bezpieczne latanie w prawdziwym lotnictwie o krytycznym znaczeniu dla bezpieczeństwa. Jako badacz zajmujący się certyfikacją uczenia maszynowego zajmiesz się jednym z najbardziej podstawowych wyzwań współczesnej sztucznej inteligencji: udowodnieniem, że modele ML są bezpieczne, niezawodne i matematycznie uzasadnione do wdrożenia w locie autonomicznym. Twoja praca wypełni lukę między najnowocześniejszą teorią uczenia się statystycznego a formalnymi ramami certyfikacji lotniczej, opierając się na wcześniejszych pracach (EASA CoDANN I i II oraz raport FAA DOT/FAA/TC-21/48) i poddając systemy w świecie rzeczywistym testom.
W Destinus kształtujemy przyszłość obronności poprzez technologie szybkich, autonomicznych lotów. Opracowujemy bezzałogowe systemy powietrzne nowej generacji, które zapewniają większą prędkość, precyzję i wydajność, wspierając rządy i organizacje obronne w operacjach o znaczeniu krytycznym na całym świecie. Daedalean AG, centrum sztucznej inteligencji i autonomii Grupy Destinus, odgrywa kluczową rolę w realizacji tej wizji — opracowywanie systemów sztucznej inteligencji o krytycznym znaczeniu dla bezpieczeństwa na styku zaawansowanych badań i lotnictwa w świecie rzeczywistym. Umożliwiając maszynom postrzeganie, rozumienie i podejmowanie decyzji w czasie rzeczywistym, łączymy inżynierię lotniczą i sztuczną inteligencję, aby zbudować autonomiczne systemy lotu nowej generacji, wprowadzając innowacje tam, gdzie ma to największe znaczenie.
Co zrobisz
• Strategia certyfikacji AI: przeanalizuj naszą istniejącą strategię certyfikacji AI i pomóż ją dostosować — lub opracuj zupełnie nowe strategie — w celu certyfikacji różnych nadzorowanych systemów uczenia maszynowego.
• Dostosowanie ram EASA: Połącz gwarancje matematyczne, argumenty techniczne i oceny modeli z procesem EASA w kształcie litery W dotyczącym certyfikacji sztucznej inteligencji w lotnictwie, zapewniając zgodność naszych badań z najnowszymi wytycznymi regulacyjnymi.
• Podstawy teoretyczne i modelowanie: prowadzenie badań nad statystyczną teorią uczenia się, granicami uogólnień i gwarancjami matematycznymi dla głębokich sieci neuronowych działających w dynamicznych warunkach świata rzeczywistego.
• Kwantyfikacja niepewności: Stosowanie statystyk i procesów stochastycznych do modelowania niepewności środowiskowych i szumu czujników oraz do ilościowego określania pewności co do wskaźników wydajności.
• Ocena literatury i dowodów: krytycznie oceniaj literaturę akademicką, dowody matematyczne i założenia inżynieryjne z rygorystyczną recenzją, aby zidentyfikować ograniczenia bezpieczeństwa i luki teoretyczne w najnowocześniejszej sztucznej inteligencji.
• Uzasadnienie regulacyjne i audytowe: Twórz solidne, logiczne argumenty i uzasadnienia techniczne, które przekładają złożone, wielowymiarowe dane empiryczne na ustrukturyzowane dowody na potrzeby audytów bezpieczeństwa i ram certyfikacji.
• Walidacja algorytmiczna: Napisz czysty, powtarzalny kod w Pythonie, aby przetestować hipotezy teoretyczne, zweryfikować mechanizmy certyfikacji i ramy bezpieczeństwa modeli porównawczych.
Wymagania
Czego będziesz potrzebować
Teoria i matematyka uczenia maszynowego
• Teoria ML i uczenie się statystyczne: Głębokie zrozumienie teorii statystycznego uczenia się, granic uogólnień i matematycznych podstaw głębokich sieci neuronowych.
• Statystyka i procesy stochastyczne: Duże doświadczenie w zaawansowanym prawdopodobieństwie, modelowaniu statystycznym i procesach stochastycznych.
• Inżynieria języka Python: Biegła znajomość języka Python z możliwością pisania czystego, powtarzalnego kodu (można się również nauczyć w pracy, pod warunkiem solidnych podstaw teoretycznych i podstawowego kodowania w języku Python).
Rygor badawczy
• Metodologia badań naukowych: wykazano zdolność lub doświadczenie w przeprowadzaniu kompleksowych przeglądów literatury, identyfikowaniu luk w aktualnej, najnowocześniejszej sztucznej inteligencji i syntezowaniu złożonych koncepcji akademickich w praktyczne ramy inżynieryjne (można się również nauczyć w pracy, jeśli masz silną bazę ilościową).
• Wiedza specjalistyczna w zakresie recenzji naukowych: Zdolność lub doświadczenie w procesie recenzji naukowej – zdolność do krytycznej oceny dowodów matematycznych, założeń algorytmicznych i artykułów naukowych w celu oceny ich ważności i ograniczeń.
Edukacja
• Obecnie studiuje lub niedawno ukończył studia magisterskie lub doktoranckie z informatyki, matematyki, statystyki teoretycznej, elektrotechniki, fizyki lub pokrewnej dziedziny badań ilościowych.

Kim jesteś
• Krytyczne myślenie i zdrowy sceptycyzm: Masz silnego ducha kwestionowania wszystkiego. W naturalny sposób kwestionujesz konwencjonalne założenia uczenia maszynowego, badasz przypadki ukrytych krawędzi i odmawiasz przyjmowania empirycznej dokładności za dobrą monetę bez rygorystycznego dowodu.
• Budowanie argumentów logicznych: Masz wyjątkową umiejętność konstruowania solidnych, szczelnych argumentów logicznych i uzasadnień technicznych. Możesz przełożyć złożone obserwacje empiryczne na ustrukturyzowane, możliwe do obrony dowody, które spełniają rygorystyczne wymagania
kontrola inżynieryjna i regulacyjna.
• Rozwija się w niejednoznaczności: motywują Cię trudne, nierozwiązane problemy matematyczne na styku informatyki teoretycznej, inżynierii bezpieczeństwa i operacji lotniczych w świecie rzeczywistym
Znajdź więcej anglojęzycznych ofert pracy w Szwajcarii na Arbeitnow

Źródło: Arbeitnow (https://www.arbeitnow.ch/jobs/companies/destinusgroup/machine-learning-certification-researcher-zurich-203268)