Naukowiec - kontrola i uczenie maszynowe

W Gigaton mamy misję ograniczenia gigaton emisji dwutlenku węgla z największych na świecie gałęzi przemysłu emitujących emisje (takich jak cement, stal i szkło) poprzez budowanie autonomicznych systemów kontroli i optymalizacji sztucznej inteligencji, które uczą się i wykorzystują fizykę produkcji. Nasze produkty napędzają zakłady przemysłu ciężkiego wydajniej, stabilniej i przy niższych emisjach w czasie rzeczywistym – kładąc podwaliny pod kolejną rewolucję przemysłową.
Jesteśmy zespołem naukowców, inżynierów, konstruktorów i operatorów, którzy kochają trudne problemy, mają wysokie standardy i chcą wprowadzać zmiany w świecie fizycznym. Dbamy o głęboką technologię, ale jeszcze bardziej zależy nam na tym, czy zapewnia ona koszty i wpływ na emisję dwutlenku węgla w żywej fabryce, z prawdziwymi ludźmi, przy rzeczywistych ograniczeniach.
Dzięki Gigaton rozwiążesz naprawdę trudne problemy w miejscach, do których niewiele osób może się zbliżyć, i zbudujesz coś, co faktycznie pomoże planecie. Czy jesteś gotowy na wyzwanie?

Zbadaj pytania, nad którymi możesz początkowo popracować

• Dynamika uczenia się na podstawie danych operacyjnych. Jak możemy zidentyfikować przydatne modele instalacji na podstawie zaszumionych, częściowo zaobserwowanych danych zebranych podczas regulacji w pętli zamkniętej?

• Optymalizacja w warunkach niepewności. W jaki sposób optymalizacja bayesowska może poprawić wydajność instalacji, gdy eksperymenty są drogie, próbki hałaśliwe i należy przestrzegać ograniczeń operacyjnych?

• Uczenie się podczas kontrolowania. Jak możemy wykorzystać podwójną kontrolę i aktywne uczenie się, aby wybrać działania poprawiające wydajność, jednocześnie zbierając informacje o niepewnej dynamice?

• Uczenie się w różnych roślinach. Które części modelu lub strategii sterowania można przenosić między zakładami i jak możemy je skutecznie dostosować do nowego miejsca?

Mają one charakter przykładowy, a nie wyczerpujący wykaz. Poszukujemy osoby, która może wnieść głębię w odpowiedni obszar, zidentyfikować obiecujące powiązania i pomóc nam zdecydować, którymi problemami zająć się dalej.

Twoje główne obowiązki
Jako pracownik naukowy będziesz:

• Pomóż kształtować nasz program badań i rozwoju, przekształcając wyzwania związane z żywymi roślinami w dobrze zdefiniowane problemy badawcze.

• Opracowywać i wdrażać metody modelowania, identyfikacji, optymalizacji i sterowania złożonymi układami fizycznymi.

• Projektuj rygorystyczne eksperymenty, ustalaj solidne punkty odniesienia i zrozum, kiedy i dlaczego dana metoda działa.

• Współpraca z inżynierami procesowymi w celu włączenia fizyki instalacji, wiedzy operacyjnej i ograniczeń do modeli i algorytmów.

• Współpracuj z inżynierami zajmującymi się uczeniem maszynowym i wdrażaniem, aby ocenić obiecujące metody i wprowadzić je do produkcji.

• Śledź wdrożoną wydajność, badaj awarie i wykorzystuj zdobytą wiedzę do prowadzenia dalszych badań.

• Jasno komunikuj swoje ustalenia i przyczyniaj się do naukowego zrozumienia zespołu.

Jak wygląda świetne dopasowanie

• Doktorat z zakresu kontroli, uczenia maszynowego, matematyki stosowanej, inżynierii, fizyki lub dziedziny pokrewnej lub równoważne doświadczenie badawcze.

• Solidne doświadczenie badawcze w jednej lub większej liczbie teorii sterowania, sterowania opartego na danych, identyfikacji systemów, optymalizacji bayesowskiej, modelowania probabilistycznego, uczenia maszynowego opartego na fizyce, uczenia się przez naśladownictwo lub uczenia się przez wzmacnianie w oparciu o model.

• Dowód na to, że potrafisz sformułować pytanie badawcze, opracować metodę i dokładnie ją ocenić, poprzez publikacje, prace o otwartym kodzie źródłowym lub badania stosowane.

• Dobra znajomość języka Python i doświadczenie we wdrażaniu modeli uczenia maszynowego przy użyciu narzędzi takich jak Pandas, NumPy, SciPy, PyTorch.

• Zainteresowanie bliską współpracą z inżynierami i wzięciem odpowiedzialności za skuteczność swoich metod w praktyce.

• Praktyczne doświadczenie we wdrażaniu algorytmów uczenia maszynowego i sterowania.

• Duże zainteresowanie łagodzeniem klimatu.

Nie musisz znać się na cemencie. Trzeba naprawdę pasjonować się fizyką, chcieć uczyć się od operatorów i inżynierów procesu oraz chcieć zrozumieć, dlaczego instalacja zachowuje się w taki, a nie inny sposób.
Nie oczekujemy, że zaznaczysz każde pole. Jeśli wnosisz głębię w odpowiednią dziedzinę i te problemy Cię ekscytują, chcielibyśmy usłyszeć od Ciebie.
W zamian za Twoją ciężką pracę, damy Ci
📈 Kapitał własny w firmie: Kiedy my wygrywamy, wygrywasz Ty. Otrzymasz opcje udostępniania, więc będziesz częścią naszej podróży od środka.
🕰️ Elastyczny czas pracy Ufamy, że wiesz, jak i kiedy pracujesz najlepiej i potrafisz to wypracować ze swoim zespołem.
🌴 30 dni urlopu (plus święta). Odpoczynek jest produktywny. Poświęć czas na doładowanie
🪙 Hojny program emerytalny. Planujemy przyszłość na wiele sposobów.

Nasze zasady działania

↗️ Idź na koncert lub idź do domu: wysoki pasek, All In. To, co robimy, ma znaczenie dla ludzkości, naszych klientów i siebie nawzajem. Trzymamy niezwykle wysoką poprzeczkę i zapewniamy pilność, jakiej wymaga ta misja.
🏭 Konkretna uczciwość: bądź uczciwy. Ponieważ beton stanowi fundament naszego świata, prawdziwa uczciwość i przejrzystość stanowią podstawę naszej kultury.
🦾 Własność autonomiczna: wysoka agencja, wysoka własność. Budujemy systemy, które przejmują kontrolę i czynią wszystko lepszym. Robimy to samo: zobacz, posiadaj, prowadź.
😄 Umocnij to życzliwością i zabawą: baw się dobrze, bądź miły. Jesteśmy tutaj, aby przedłużyć życie na Ziemi, ale nasze jest nadal ograniczone. Chcemy cieszyć się jazdą. Aby zobaczyć je w całości, przejdź do strony Pojęcia dotyczące zasad działania Gigaton.
Znajdź więcej ofert pracy ze znajomością języka angielskiego w Wielkiej Brytanii na Arbeitnow

Źródło: Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/gigaton/research-scientist-control-machine-learning-london-404701)