Analityk danych geoprzestrzennych

Orcrist buduje platformę analizy danych nowej generacji, korzystając z najnowocześniejszych technologii. Obsługujemy dane w skali petabajtów za pomocą zapytań trwających mniej niż sekundę. Nasz produkt to platforma oparta na Kubernetes dostarczana jako B2B SaaS lub jako rozwiązanie hostowane lokalnie, obejmujące wdrożenia typu air-gap. Umożliwiamy klientom z branży obronności, egzekwowania prawa i przedsiębiorstwom przekształcanie danych o znaczeniu krytycznym w przydatne informacje.

Firma

Orcrist tworzy bezpieczne oprogramowanie do analizy danych dla zespołów obronnych, organów ścigania i przedsiębiorstw. Nasza platforma Sentinel łączy integrację danych, analizę wspomaganą sztuczną inteligencją i przepływy pracy operacyjnej. Zespół GEOINT rozszerza go o usługi danych geoprzestrzennych, możliwości teledetekcji i wspólny obraz operacyjny oparty na sieci Web.

Rola

Opracuj metody geoprzestrzenne i teledetekcyjne, które przekształcają obrazy i dane przestrzenne w wiarygodne produkty analityczne. Będziesz pracować w Pythonie nad wykrywaniem zmian, wykrywaniem obiektów, segmentacją oraz analizą przestrzenną i czasową. Twoje metody będą obejmować klasyczne uczenie maszynowe, analizę statystyczną i obrazową oraz architektury głębokiego uczenia się, takie jak transformatory wizyjne (ViT) i U-Nets, wykorzystując podejścia, które okażą się przydatne, począwszy od eksploracji, poprzez ocenę, a skończywszy na powtarzalnych możliwościach platformy.

Prace obejmują otwarte satelitarne serie czasowe oraz komercyjne zdjęcia optyczne, termowizyjne i SAR. Pomożesz wybrać odpowiednie dane i metody, ustalisz, jakie wyniki mogą potwierdzić wyniki, i będziesz współpracować z inżynierami, aby udostępnić je analitykom w Sentinel.

Co zrobisz

• Opracuj przepływy pracy umożliwiające wykrywanie zmian, w tym szeregi czasowe Sentinel-2, i odróżniaj znaczące zmiany od sezonowości, efektów chmury i cienia, różnic w pozyskiwaniu i błędów rejestracji.

• Twórz i oceniaj metody wykrywania, segmentacji i klasyfikacji obiektów na potrzeby zdjęć satelitarnych, korzystając w stosownych przypadkach z technik statystycznych, klasycznego przetwarzania obrazów i uczenia maszynowego. Pragmatycznie oceniaj najnowocześniejsze podejścia do głębokiego uczenia się w porównaniu z prostszymi wartościami bazowymi, dokładnością ważenia, wymaganiami dotyczącymi etykiet, uogólnieniem, kosztami wnioskowania i rzeczywistą rentownością produkcji.

• Oceń przydatność różnych czujników, rozdzielczości, warunków akwizycji i poziomów przetwarzania dla każdego przypadku użycia. W miarę rozwoju wymagań rozszerzaj metody na dane optyczne, wielospektralne, termiczne i SAR.

• Wstępne przetwarzanie projektu i ekstrakcja cech z udziałem inżynierów danych: maskowanie jakości, komponowanie, współrejestracja, normalizacja, indeksy widmowe i poprawki specyficzne dla czujnika.

• Łącz wyniki rastrowe z danymi wektorowymi i czasowymi na potrzeby statystyk przestrzennych, analizy strefowej, wykrywania anomalii i porównań między obszarami i okresami obserwacji.

• Tworzenie lub pozyskiwanie referencyjnych zbiorów danych i protokołów ewaluacyjnych. Korzystaj z walidacji oddzielonej przestrzennie i czasowo, mierz fałszywe alarmy i pominięte wykrycia oraz sprawdzaj wydajność w różnych regionach i czujnikach.

• Dostarczaj identyfikowalne wyniki z odniesieniami do źródeł, znacznikami czasu, miarami pewności lub niepewności i udokumentowanymi ograniczeniami. Pomóż analitykom zrozumieć, kiedy wynik wymaga dokładniejszej analizy.

• Testowane pakietowo metody Pythona pod kątem powtarzalnego przetwarzania wsadowego lub wnioskowania. Współpracuj z inżynierami danych i platform w zakresie środowiska wykonawczego, pamięci, monitorowania i integracji z przepływami pracy Sentinel.

O tobie

• Formalne szkolenie uniwersyteckie w zakresie geoinformatyki, teledetekcji, obserwacji Ziemi, matematyki stosowanej, informatyki lub pokrewnej dyscypliny, połączone ze znacznym praktycznym doświadczeniem w zakresie geoprzestrzenności lub teledetekcji.

• Dobra znajomość języka Python i obliczeń naukowych przy użyciu narzędzi takich jak NumPy, pandas, SciPy, xarray, GeoPandas i Rasterio/GDAL.

• Praktyczne doświadczenie w uczeniu maszynowym z wykorzystaniem scikit-learn i PyTorch lub równoważnej platformy, a także TorchGeo lub powiązanych pakietów głębokiego uczenia się geoprzestrzennego, obejmujące szkolenia, ocenę i adaptację istniejących modeli.

• Solidne zrozumienie podstaw teledetekcji: rozdzielczości przestrzennej, widmowej, radiometrycznej i czasowej; układy współrzędnych; wyrównanie obrazu; i ograniczenia jakości danych.

• Doświadczenie w analizie obrazów satelitarnych i co najmniej jedno odpowiednie zadanie, takie jak wykrywanie zmian, segmentacja, wykrywanie obiektów lub klasyfikacja pokrycia terenu.

• Rozsądna ocena statystyczna dotycząca próbkowania, autokorelacji przestrzennej, wycieku danych, braku równowagi klas, niepewności i uogólniania na nowe miejsca i warunki akwizycji.

• Inżynierskie podejście do badań: wersjonowany kod i dane, powtarzalne eksperymenty, testy i jasne wyjaśnienia dotyczące działania i niepowodzeń metody.

• Jasna komunikacja w języku angielskim zarówno ze współpracownikami technicznymi, jak i specjalistami dziedzinowymi. Możliwość podjęcia pracy w Niemczech.

Miło to mieć

• Doświadczenie w pracy z obrazami termowizyjnymi w podczerwieni, przetwarzaniu i analizowaniu danych SAR lub łączeniu obserwacji z wielu czujników. Głębokie doświadczenie w jednej modalności jest cenne.

• Doktorat z geoinformatyki, teledetekcji, obserwacji Ziemi lub dziedziny pokrewnej.

• Doświadczenie z geoprzestrzennymi modelami fundamentów: dostrajanie modeli, takich jak Prithvi lub TerraMind, lub używanie osadzonych elementów AlphaEarth Foundations do dalszych analiz. Możliwość oceny, czy te podejścia poprawiają się w przypadku modeli specyficznych dla zadania przy użyciu dostępnych obrazów i etykiet.

• Doświadczenie w skalowaniu analiz geoprzestrzennych za pomocą Dask, Apache Spark/Sedona lub Zarr.

• Doświadczenie we wdrażaniu i optymalizacji wnioskowania GPU za pomocą PyTorch/CUDA, ONNX Runtime z TensorRT lub NVIDIA Triton Inference Server, w tym wsadowe kafelki obrazów oraz zarządzanie pamięcią i przepustowością GPU.

• Przestrzenny SQL z DuckDB lub PostGIS, odkrywanie danych w oparciu o STAC i prace eksploracyjne w QGIS lub geemap; wytwarzanie produktów COG i GeoParquet do wykorzystania w dalszym etapie GIS.

• Doświadczenie w pracy ze zdjęciami komercyjnymi od dostawców takich jak Airbus, Satellogic, SatVu lub ICEYE.

• Doświadczenie w pracy w środowiskach obronnych i wywiadowczych lub przy powiązanych projektach.…

Źródło: Praca zdalna w UE (https://euremotejobs.com/job/geospatial-data-scientist/)