Publikacja analityka danych w zakresie uczenia maszynowego

Podsumowanie roli:
Naszą misją w Differential Bio jest uwolnienie potencjału biogospodarki poprzez ustalenie sposobu prowadzenia biologicznych badań i rozwoju oraz zwiększania skali.
Poszukujemy specjalisty ds. danych w zakresie uczenia maszynowego, który dołączy do naszego rosnącego, najnowocześniejszego zespołu zajmującego się modelowaniem. Opracujesz nowatorskie algorytmy uczenia maszynowego i modele mechanistyczne systemów bioprocesowych i wypchniesz je z weryfikacji koncepcji badawczej do komercyjnego użytku gotowego do produkcji.
Ta rola koncentruje się na badaniach, w tym na tworzeniu modeli hybrydowych, które łączą podejście mechanistyczne i uczenie maszynowe w celu przewidywania zachowania fermentacji drobnoustrojów i które działają, gdy przenosimy się do nowego organizmu, nowego czujnika lub większego reaktora. Odegrasz kluczową rolę w przypadku dwóch istniejących grantów i będziesz współpracować z wiodącymi grupami akademickimi i partnerami przemysłowymi w zakresie danych pilotażowych i produkcyjnych. Ponadto będziesz opracowywać nowe projekty badawcze i doprowadzać je do ukończenia i zastosowania w projektach klientów.
Interesują nas badacze, którzy chcą, aby ich praca trafiła do prawdziwych bioreaktorów i ekscytuje ich praca w startupie na wczesnym etapie. Powinieneś czuć się komfortowo, mając trudne, otwarte problemy, na które nikt jeszcze nie zna odpowiedzi, podejmując decyzje oparte na dowodach w warunkach niepewności i dostarczając prawdziwe rozwiązania.
Jak będziesz pracować

• Będziesz współpracować z liderami technicznymi oraz zewnętrznymi partnerami akademickimi/przemysłowymi w celu zaprojektowania i przeprowadzenia badań, które spełnią nasze zobowiązania w obu konsorcjach i wzmocnią naszą własną platformę.

• Będziesz właścicielem swoich projektów badawczych, od określenia zakresu po realizację, przy wsparciu naszego kierownika ds. modelowania, ale z autonomią i niezależnością.

• Będziesz ściśle współpracować z naszym laboratorium mokrym, suchym i zespołami zajmującymi się oprogramowaniem oraz określisz, jakie dane musisz wygenerować w naszym laboratorium zrobotyzowanym.

Kluczowe obowiązki:
Hybrydowe modelowanie bioprocesów

• Opracuj hybrydowe modele odpowiedzi mechanistycznej/ML, które przewidują wyniki fermentacji (wzrost, miano, wydajność, produktywność) na podstawie danych z procesu i czujników.

• Łącz sygnały szeregów czasowych z technologii analizy procesów (Raman, NIR, spektroskopia dielektryczna, tlen rozpuszczony, gazy odlotowe) z analityką offline.

• Twórz mechaniczne szkielety (np. modele kinetyczne/ODE, modele metaboliczne w skali genomu), które ograniczają uczenie się i generują syntetyczne dane szkoleniowe.

• Opracuj zastępcze modele uczenia maszynowego na potrzeby kosztownych obliczeniowo symulacji mechanistycznych.

• Określ ilościowo niepewność, aby można było ufać modelom w warunkach produkcyjnych, w których stawka jest wysoka.

Transfer pomiędzy organizmami i skalami

• Projektuj modele, które można przenieść ze skali laboratoryjnej do skali pilotażowej i produkcyjnej, z uwzględnieniem różnych drobnoustrojów, w tym bakterii i drożdży.

• Wykorzystuj uczenie się transferowe i uczenie się oparte na reprezentacji, aby uzyskać dobre przewidywania dotyczące nowych napięć i procesów przy niewielkiej ilości danych.

• Opracuj możliwe do przeniesienia na skalę charakterystyki reaktorów i predykcyjne modele KPI na potrzeby zwiększania skali.

Sterowanie predykcyjne modelem w czasie rzeczywistym

• Zbuduj warstwę AI/ML na potrzeby kontroli predykcyjnej modelu nieliniowego (NMPC) i strategii żywienia opartych na uczeniu się przez wzmacnianie w celu dynamicznej optymalizacji miana, szybkości i wydajności.

• Łącz dane w czasie rzeczywistym z technologii analizy procesu (PAT) i czujników miękkich (np. Raman, NIR) w dynamiczne estymatory stanu, aby sterować siłownikami bioreaktora z zamkniętą pętlą (zasilanie, powietrze, mieszanie).

• Stworzenie prototypu prostszych i możliwych do wdrożenia etapów, takich jak wykrywanie odchyleń i alerty dla operatora

• Projektowanie ram kontroli w celu proaktywnego rozwiązywania wąskich gardeł metabolicznych i solidnego uwzględniania niepewności modelu, zmienności pomiędzy partiami i nieodłącznej stochastyczności bioprocesu.

Kwalifikacje:

• Doktorat z uczenia maszynowego, bioinżynierii, biologii obliczeniowej lub dziedziny pokrewnej lub tytuł magistra z ponad 3-letnim doświadczeniem w branży.

• Silna niezależność badawcza; umiejętność określenia zakresu i wykonania nowatorskich prac naukowych od początku do końca.

• Udokumentowane dowody wkładu badawczego, w tym (ale nie wyłącznie): recenzowane artykuły w czasopismach lub konferencjach, uczestnictwo w konferencjach, wkłady typu open source.

• Silny Python i nowoczesne narzędzia ML (np. PyTorch/JAX, scikit-learn).

• Praktyczne doświadczenie w budowaniu modeli systemów dynamicznych lub danych szeregów czasowych, w idealnym przypadku łącząc podejście mechanistyczne i oparte na danych.

• Doświadczenie w pracy z pionierskimi modelami kodowania, w tym z orkiestracją wieloagentową.

• Jasna komunikacja pisemna i ustna, w tym z partnerami spoza ML.

Miło mieć:

• Doświadczenie z danymi dotyczącymi bioprocesów lub fermentacji, najlepiej z bioreaktorów w więcej niż jednej skali

• Doświadczenie z danymi ramanowskimi, NIR lub innymi danymi spektroskopowymi i chemometrycznymi (np. PLS)

• Podstawy kontroli predykcyjnej modelu, uczenia się przez wzmacnianie lub sterowania optymalnego

• Doświadczenie w zakresie uczenia się transferowego, adaptacji dziedzin lub uczenia się poprzez reprezentację na danych biologicznych

• Znajomość modeli metabolicznych w skali genomu lub modelowania kinetycznego

• Doświadczenie w zakresie metod Bayesa, kwantyfikacji niepewności lub projektowania eksperymentów

• Doświadczenie w projektach badawczych realizowanych w ramach współpracy lub finansowanych ze środków publicznych (np. Horizon Europe, Eurostars)

Korzyści:

• Konkurencyjne wynagrodzenie w formie wynagrodzenia + opcje na akcje; chcemy zbudować mały, ale potężny zespół i myśleć o wynagrodzeniu w tym kierunku;

• Zbuduj swój profil badawczy: Pracuj nad otwartymi problemami z wiodącymi europejskimi partnerami akademickimi i przemysłowymi, z zamiarem zaprezentowania i opublikowania swojej pracy;

• Piękne biuro w sercu Monachium lub możliwość pracy zdalnej z okazjonalnymi wyjazdami

• Członkostwo eGym WellPass

Znajdź oferty pracy w Niemczech na Arbeitnow

Źródło: Arbeitnow (https://www.arbeitnow.com/jobs/companies/ Differentialbio/machine-learning-data-scientist-posting-munich-468450)