Założyciel Inżyniera Danych

TL;DR Davis zatrudnia założyciela inżyniera danych do zbudowania danych leżących u podstaw naszego modelu podstawowego, przeszkolonego od podstaw do generowania budynków w postaci wykresów geometrycznych. Będziesz właścicielem całości danych, od surowych planów pięter i generowania syntetycznego po reprezentację kanoniczną, selekcję, wstępne szkolenie na dużą skalę i ablacje, które mówią nam, które dane faktycznie poruszają model. Tutaj zbiór danych jest częścią algorytmu.

O Davisie
Davis to firma z branży nieruchomości wykorzystująca sztuczną inteligencję, przyspieszająca prace deweloperskie na wczesnym etapie i projektowanie architektoniczne. Obecnie programiści koordynują prace od czterech do pięciu rozproszonych interesariuszy w ciągu tygodni lub miesięcy. Wkrótce będzie im potrzebny tylko jeden: Davis.
Zamieniamy każdy wkład, który kształtuje decyzję o inwestycji, w gotowe do podjęcia decyzje wyniki: studia wykonalności dla inwestorów, analizy inwestycji i projekty certyfikowane przez architekta, dostarczane w ciągu kilku dni. Na każdym etapie nasze zastrzeżone systemy AI są poddawane ocenie ekspertów, więc prędkość nigdy nie odbywa się kosztem niezawodności.
Zamknęliśmy przedsięwzięcie typu pre-seed o wartości 5,5 mln dolarów, prowadzone wspólnie przez Heartcore Capital i Balderton Capital wraz z Yellow, Evantic i Entrepreneur First, wraz z aniołami z zespołów założycielskich Spacemaker, Black Forest Labs, Hugging Face, Supabase, Cleo i Spore Bio. Współpracujemy już z wiodącymi programistami i spodziewamy się wspierać setki projektów w nadchodzącym roku, pogłębiając nasze badania, zatrudniając i kompleksowo obejmując proces rozwoju.

Rola
Będziesz właścicielem danych, z których uczy się nasz model podstawowy, modelu, który szkolimy od podstaw, aby generować budynki w postaci wykresów geometrycznych. Część korpusu pochodzi z rzeczywistych planów pięter w postaci obrazów i plików PDF, które muszą stać się przejrzystymi, ustandaryzowanymi wykresami. Dużą część będą stanowić syntetyczne, generowane proceduralnie wykresy budynków, geometria i wyrenderowane plany pięter, z kontrolowanymi zmianami stylu, szumem skanowania, adnotacjami i meblami, każdy automatycznie rejestrowany wraz z rzeczywistym wykresem.
Pomyślisz o całej pętli, od danych surowych i syntetycznych po reprezentację o strukturze kanonicznej, selekcję i walidację, zbiór danych szkoleniowych, szkolenie wstępne na dużą skalę, ocenę, ablację danych i z powrotem do ulepszania generatora i miksowania danych. Masz wystarczająco dużo doświadczenia, aby zaprojektować stos danych i ustawić strategię dotyczącą danych, a także masz wystarczająco dużo doświadczenia, aby napisać potoki, przeprowadzić eksperymenty, wyszkolić modele i samodzielnie wykonać ablację.

Nad czym będziesz pracować

• Korpus z surowców. Zamień prawdziwe plany pięter (obrazy, pliki PDF, skany) w przejrzyste, ustandaryzowane wykresy budynków z geometrią i semantyką, które umożliwiają ich przeszkolenie.

• Syntetyczne generowanie danych. Przeglądaj strategie rozszerzania zbioru danych o dane syntetyczne.

• Reprezentacja kanoniczna i kuratorowanie. Zdefiniuj standardową reprezentację, a następnie filtruj, deduplikuj, oceniaj jakość i sprawdzaj poprawność na dużą skalę, uwzględniając wersjonowanie, pochodzenie i pochodzenie.

• Wstępne trenowanie danych i mieszanin. Zbieraj zestawy danych szkoleniowych, projektuj mieszankę i program nauczania oraz łącz dane syntetyczne i rzeczywiste na potrzeby szkoleń wstępnych na dużą skalę.

• Ablacje danych. Trenuj modele, aby dowiedzieć się, które dane faktycznie są pomocne, odczytaj wyniki i wprowadź je z powrotem do generatora i mieszaniny.

• Ocena. Zbuduj wiązkę ewaluacyjną (zestawy danych, metryki, testy regresyjne, monitorowanie), która śledzi jakość danych i modelu w czasie.

Czego szukamy

• Zbudowałeś zbiór danych, a nie tylko go przeszkoliłeś. Osobiście zbudowałeś lub wygenerowałeś dane użyte w dużym okresie przedtreningowym, ze źródeł surowych lub syntetycznych, a nie tylko trenowałeś na zestawie danych, który ktoś ci przekazał.

• Starszy i bardzo praktyczny. Co najmniej 5 lat dużego doświadczenia, wystarczająco starszy, aby zaprojektować stos danych i ustalić strategię, ale nadal kodować potoki, przeprowadzać eksperymenty i samodzielnie wykonywać ablacje.

• Dane jako problem pierwszorzędny. Historia osiągnięć, w której przedmiotem są same dane: selekcja, filtrowanie, deduplikacja, punktacja jakości, miksowanie, generowanie syntetyczne.

• Solidna inżynieria. Deep Python, czysty i wpisany kod, asynchronia i współbieżność, rozproszone potoki danych, kultura TDD.

Miło mieć

• Widzenie komputerowe i zrozumienie dokumentów, obrazy do ustrukturyzowanego wyjścia, OCR, ekstrakcja układu, segmentacja, ekstrakcja geometrii, wektoryzacja, raster do wektora, obraz do wykresu sceny, 3D lub CAD.

• Wykresy i ustrukturyzowane dane naukowe, wykresy molekularne, białkowe lub sceniczne, siatki, CAD, BIM, geometria 3D lub relacyjne i strukturalne dane świata.

• Światy syntetyczne i symulacja, stan strukturalny, symulator, moduł renderujący, syntetyczne obrazy z doskonałymi etykietami, a następnie model percepcji, z uwzględnieniem luki między symulacją a rzeczywistością.

• Modele podstawowe od podstaw, realne zaangażowanie w duży przebieg przedtreningowy, a nie tylko dopracowywanie.

• Publiczne dowody własności danych, potencjalny klient dotyczący zbioru danych, publikacja Hugging Face, karta zbioru danych, blog techniczny na temat Twojego rurociągu lub rozmowa na temat przechowywania danych lub danych syntetycznych.

• GIS i geometria, działki, warstwy podziału na strefy, rzuty, geometria obliczeniowa lub optymalizacja z ograniczeniami.

• Dane obejmujące wiele krajów, heterogeniczne źródła, lokalizacja i różne zasady.

Dlaczego warto dołączyć do Davisa

• Bądź właścicielem danych od początku do końca, od generatora po mieszaninę przedtreningową, jako osoba, która definiuje, czego model się uczy.

• Stwórz od podstaw model podstawowy, na ustrukturyzowanej reprezentacji, na której nikt inny się nie szkoli.

• Pracuj nad naprawdę trudnymi problemami, przekształć obraz w wykres, syntetyczne światy i szkolenia wstępne na dużą skalę, a Twoja praca dotrze do klientów w ciągu kilku dni.

• Konkurencyjne wynagrodzenie i znaczący kapitał własny na poziomie założycielskim w firmie na wczesnym etapie rozwoju.

• Dołącz do światowej klasy zespołu, będącego mieszanką badaczy, inżynierów i architektów zajmujących się sztuczną inteligencją, wspieranych przez światowej klasy VC.

Więcej informacji o Davisie, zespole i rynku, na który się wybieramy:…

Źródło: Arbeitnow (https://www.arbeitnow.fr/jobs/companies/meetdavis/founding-data-engineer-paris-399584)