ML Mühendisi (Bilgisayarlı Görme ve ML Operasyonları)

StellDirVor, sağlık hizmetlerine yönelik kapsamlı teknolojiler konusunda uzmanlaşmış bağımsız bir danışmanlık, ticaret ve teknoloji şirketidir. Kuruluşları, özellikle klinik ve bakım ortamlarında öğrenme, eğitim ve gerçek zamanlı yardım için sanal, artırılmış ve karma gerçeklik ile yapay zeka gibi dijital yeniliklerin uygulanmasında destekliyoruz. Teknoloji ve sağlık hizmetlerini birleştirerek süreçlerin optimize edilmesine, bilgi aktarımının iyileştirilmesine ve bakım kalitesinin artırılmasına yardımcı oluyoruz.
Almanya (ZIM) ve Tayvan (GIPIP) ortaklık hibesiyle desteklenen, şu anda kronik yara bakımı için AR ve yapay zeka tabanlı eller serbest eğitim ve yardım sistemi olan ARAIAS'ı geliştiriyoruz. AR akıllı gözlük kullanan sistem, doğrudan bakım noktasında 3D yakalama, yapay zeka destekli analiz ve standartlaştırılmış uzaktan uzmanlık ve belgeleme olanağı sağlıyor.
ML Mühendisimiz (Bilgisayarlı Görme ve ML Ops) olarak, ARAIAS'ın temelinde yapay zeka yeteneklerini oluşturacaksınız: akıllı gözlük verileri üzerinde bilgisayarlı görme modellerini değerlendirip ince ayar yapacak, makine öğrenimi operasyonlarını bunların arkasında yürütecek ve eğitim için sentetik tıbbi görüntüler oluşturmak için üretken yapay zeka uygulayacaksınız. Henüz erken bir aşamadayız - konseptten çalışan prototipe geçiyoruz - bu nedenle kısa vadedeki odak noktamız, modelleri doğrulamak ve gerçek eğitim ve klinik ortamlarda test edebileceğimiz bir konsept kanıtını oluşturmaktır.
Küçük bir ekibin parçası olarak, model geliştirme ve dağıtımın yanı sıra kaynak bulma, onay ve açıklamalardan hazırlığa kadar uçtan uca tüm veri yaşam döngüsüne sahip olacaksınız.
Farklı deneyim seviyelerindeki adayları memnuniyetle karşılıyoruz. En önemli şey sağlam bir makine öğrenimi temeli ve tıbbi görüntüleme alanına ilişkin gerçek farkındalıktır.
Görevler

• Tıbbi görüntü analizi için önceden eğitilmiş modelleri ve/veya doğrulanmış mimarileri seçip karşılaştırın ve bunları alana özgü verilere uyarlayarak gerçek dünya koşullarında güçlü performans sağlayın

• Eğitim ve öğretime yönelik gerçekçi sentetik tıbbi görüntüler oluşturmak için uygun üretken yapay zeka modellerini belirleyin ve uyarlayın

• Ses etkileşimi için küçük dil modellerini (SLM'ler) değerlendirin ve ince ayar yapın (konuşmayı metne dönüştürme, amacı anlama ve metinden konuşmaya), akıllı gözlüklerle düşük gecikme süresi veya cihazda kullanım için optimize edilmiştir

• Açıklanabilir AI (XAI), ML için siber güvenlik ve dağıtım ve dağıtım modları (uç ve bulut, birleştirilmiş öğrenme, model sıkıştırma) dahil olmak üzere en son teknolojiye sahip makine öğrenimi modellerini ve ortaya çıkan trendleri araştırın ve değerlendirin.

• ML işlemleri hattını planlayın ve yürütün - veri toplama, açıklama ekleme, hazırlık, eğitim, test etme ve devreye alma

• Bir veri toplama stratejisi önerin — uygun kamu ve klinik veri kaynaklarını araştırın, makine öğrenimi eğitimi için hasta onayı ve diğer idari gereksinimleri önerin (ör. veri koruma anlaşmaları, etik onayı) ve klinik uzmanlarla etiketleme kılavuzları ve kalite kontrolleri de dahil olmak üzere toplama ve açıklama protokollerini tanımlayın

• Model performansını etkileyen faktörleri belirleyin ve doğrulayın — görüntü koşulları, veri kümesi yanlılığı, hasta çeşitliliği, veri gizliliği ve düzenleme gereklilikleri

• Test stratejilerini ve ölçümlerini tanımlayın ve model çıktılarını klinisyen değerlendirmelerine göre doğrulayın

• Modeller, araçlar ve hizmetler için maliyet karşılaştırması da dahil olmak üzere oluşturma ve satın alma analizleri gerçekleştirin

• Bilgi işlem ve eğitim maliyetlerini tahmin edin ve model eğitimi ve dağıtımı için bütçeler önerin

• Maliyete, veri gizliliğine ve performansa dayalı olarak eğitim ortamlarını esnek bir şekilde (yerel donanım veya bulut) seçin ve kurun

• Mevcut prototip oluşturma aşamasına uygun pragmatik teknik kararlar alın ve sonuçları açıkça belgeleyin

• Denetimleri ve kalite incelemelerini desteklemek için veri kaynaklarının, modellerin, deneylerin ve tasarım kararlarının açık, izlenebilir belgelenmesini sağlayın

• Mümkün olduğunda ek sensörleri (örneğin derinlik, LiDAR, termal, multispektral) değerlendirip entegre edin ve bunları RGB girişiyle birleştirin

Gereksinimler
Olması Gerekenler

• Bilgisayar Bilimi, Veri Bilimi, Biyomedikal Mühendisliği, Matematik veya ilgili bir alanda diploma veya eşdeğer pratik altyapı

• Güçlü Python becerileri ve PyTorch, OpenCV veya TensorFlow'un uygulamalı kullanımı

• Bilgisayarlı görme konusunda sağlam bir anlayış — sınıflandırma, nesne algılama ve görüntü bölümleme, 3B Yeniden Oluşturma ve Çoklu Görünüm Geometrisi

• Transfer öğrenimi hakkında uygulamalı bilgi — önceden eğitilmiş modellerin uyarlanması ve bunlara özel veri kümelerinde ince ayar yapılması

• Makine öğrenimi yaşam döngüsünün tamamına ilişkin çalışma bilgisi — veri hazırlama, eğitim, değerlendirme ve dağıtım

• Üretken modeller (yayılma modelleri veya GAN'lar) ve ortak açık kaynak kitaplıkları hakkında temel bilgi

• Hem yerel olarak (GPU iş istasyonu) hem de bulut platformlarında konforlu eğitim modelleri

• Bütçe kararlarını desteklemek için makine öğrenimi işlem maliyetlerini tahmin edebilme ve oluşturma ve satın alma seçeneklerini karşılaştırabilme

• Tıbbi görüntüleme zorluklarına ilişkin farkındalık — sınırlı veri, klinisyenler arasındaki etiket değişkenliği ve sınıf dengesizliği

• Sağlık hizmeti verilerinin gizliliği ve etiği (ör. GDPR, hasta onayı, anonimleştirme) ve klinik yapay zekada açıklanabilirlik ve önyargının neden önemli olduğu konusunda farkındalık

• Araştırma makalelerini okuyabilme ve bunları pragmatik olarak uygulayabilme

• Kendini yönlendirebilen ve pragmatik — yalın bir ekipte inisiyatif alabilen ve sorunları uçtan uca yönetebilen

• Akıcı İngilizce — Almanca bir bonustur

Güçlü Artı

• Tıbbi görüntüleme veya klinik yapay zeka ile ilgili projeler veya kurslar

• Yarı denetimli öğrenmeye aşinalık — sınırlı veya kısmen etiketlenmiş verilerden yararlanma

• 3 boyutlu veri işleme deneyimi — derinlik haritaları, nokta bulutları veya ağ yeniden yapılandırması

• Çok modlu öğrenmeye maruz kalma — RGB ile derinlik veya LiDAR verilerini birleştirme

• Edge AI veya giyilebilir dağıtım (ör. TensorFlow Lite, ONNX, model nicemleme)

• Açıklanabilirlik yöntemleri (örn. Grad-CAM, SHAP) veya çekişmeli sağlamlık bilgisi

• MLOps araçlarına aşinalık (ör. MLflow, Weights & Biases, DVC, Docker)

• Yapay zeka yazılımına yönelik tıbbi cihaz düzenlemesine ilişkin farkındalık (ör. AB MDR, IEC 62304)…

Kaynak: Arbeitnow (https://www.arbeitnow.com/jobs/companies/stelldirvor-gmbh/ml-engineer-computer-vision-ml-ops-munich-359350)