Makine Öğrenimi Veri Bilimcisi ilanı

Rol özeti:
Diferansiyel Biyo'da misyonumuz, biyolojik Ar-Ge ve ölçek büyütmenin nasıl yapıldığını sabitleyerek biyoekonominin potansiyelini açığa çıkarmaktır.
Büyüyen son teknoloji modelleme ekibimize katılacak bir Makine Öğrenimi Veri Bilimcisi arıyoruz. Biyoproses sistemlerinin yeni makine öğrenimi algoritmalarını ve mekanik modellerini geliştirecek ve bunları araştırma kavram kanıtından üretime hazır ticari kullanıma taşıyacaksınız.
Bu rol, mikrobiyal fermantasyonların nasıl davrandığını tahmin etmek için mekanik ve makine öğrenimi yaklaşımlarını birleştiren ve yeni bir organizmaya, yeni bir sensöre veya daha büyük bir reaktöre geçtiğimizde çalışmaya devam eden hibrit modeller oluşturmak da dahil olmak üzere araştırmaya odaklanmıştır. Mevcut iki hibede önemli bir rol oynayacak ve pilot ve üretim ölçekli veriler üzerinde önde gelen akademik gruplar ve endüstriyel ortaklarla çalışacaksınız. Ayrıca yeni araştırma projeleri geliştirecek ve bunları tamamlanmaya ve müşteri projelerinde uygulamaya yönlendireceksiniz.
Çalışmalarının gerçek biyoreaktörlerde sonuçlanmasını isteyen ve erken aşamadaki bir girişimde çalışmaktan heyecan duyan araştırmacılarla ilgileniyoruz. Henüz kimsenin cevabını bilmediği zor, açık uçlu problemlere sahip çıkma, belirsizlik altında kanıta dayalı kararlar alma ve gerçek çözümler sunma konusunda rahat olmalısınız.
Nasıl çalışacaksınız

• Hem konsorsiyumdaki taahhütlerimizi karşılayan hem de kendi platformumuzu güçlendiren araştırmaları tasarlamak ve yürütmek için teknik liderler ve akademik/sektördeki dış ortaklarla işbirliği yapacaksınız.

• Araştırma projelerinizi kapsam belirleme aşamasından teslimat aşamasına kadar modelleme liderimizin desteğiyle ancak özerklik ve bağımsızlıkla sahipleneceksiniz.

• Islak laboratuvarımız, kuru laboratuvarımız ve yazılım ekiplerimizle yakın işbirliği içinde çalışacak ve robotik laboratuvarımızdan hangi verileri oluşturmanız gerektiğini belirleyeceksiniz.

Temel sorumluluklar:
Hibrit biyoproses modelleme

• Süreç ve sensör verilerinden fermantasyon sonuçlarını (büyüme, titre, verim, üretkenlik) tahmin eden hibrit mekanik/ML hücre tepkisi modelleri geliştirin.

• Proses analitik teknolojisinden (Raman, NIR, dielektrik spektroskopi, çözünmüş oksijen, çıkış gazı) gelen zaman serisi sinyallerini çevrimdışı analitikle birleştirin.

• Öğrenmeyi kısıtlayan ve sentetik eğitim verileri üreten mekanik omurgalar (örn. kinetik/ODE modelleri, genom ölçeğinde metabolik modeller) oluşturun.

• Hesaplama açısından maliyetli mekanik simülasyonlar için makine öğrenimi yedek modelleri geliştirin.

• Yüksek riskli üretim ortamlarında modellere güvenilebilmesi için belirsizliği ölçün.

Organizmalar ve ölçekler arasında aktarım

• Tezgah üstü ölçekten pilot ve üretim ölçeğine ve bakteri ve maya dahil çeşitli mikroplara aktarılan modeller tasarlayın.

• Az veri içeren yeni türler ve süreçler için iyi tahminler yapmak amacıyla transfer öğrenimini ve temsil öğrenimini kullanın.

• Ölçeklendirme için ölçek aktarılabilir reaktör karakterizasyonları ve tahmine dayalı KPI modelleri geliştirin.

Gerçek Zamanlı Model Tahminli Kontrol

• Titremeyi, hızı ve verimi dinamik olarak optimize etmek için Doğrusal Olmayan Model Tahminli Kontrol (NMPC) ve takviyeli öğrenmeye dayalı besleme stratejileri için AI/ML katmanını oluşturun.

• Kapalı döngü biyoreaktör aktüatörlerini (besleme, hava, karıştırma) çalıştırmak için Proses Analitik Teknolojisinden (PAT) ve yumuşak sensörlerden (örn. Raman, NIR) gelen gerçek zamanlı verileri dinamik durum tahmincileriyle birleştirin.

• Yol boyunca sapma tespiti ve operatör uyarıları gibi daha basit, konuşlandırılabilir adımların prototipini oluşturun

• Metabolik darboğazları proaktif bir şekilde çözmek ve model belirsizliğini, partiden partiye değişkenliği ve doğal biyoproses stokastisitesini sağlam bir şekilde hesaba katmak için kontrol çerçeveleri tasarlayın.

Nitelikler:

• Makine öğrenimi, biyomühendislik, hesaplamalı biyoloji veya ilgili bir alanda doktora veya 3 yıldan fazla ilgili endüstri deneyimine sahip bir yüksek lisans derecesi.

• Güçlü araştırma bağımsızlığı; Yeni bilimsel çalışmaları baştan sona kapsama ve yürütme yeteneği.

• Aşağıdakiler dahil (ancak bunlarla sınırlı olmamak üzere) araştırma katkılarına ilişkin kanıtlanmış kanıtlar: hakemli dergi veya konferans makaleleri, konferans katılımı, açık kaynak katkıları.

• Güçlü Python ve modern makine öğrenimi araçları (örn. PyTorch/JAX, scikit-learn).

• Mekanik ve veri odaklı yaklaşımları ideal bir şekilde birleştiren, dinamik sistemlerin veya zaman serisi verilerinin modellerini oluşturma konusunda uygulamalı deneyim.

• Çoklu aracı orkestrasyonu da dahil olmak üzere sınır kodlama modelleriyle çalışma deneyimi.

• Makine öğrenimi dışı ortaklarla da dahil olmak üzere açık yazılı ve sözlü iletişim.

Sahip olmak güzel:

• İdeal olarak birden fazla ölçekte biyoreaktörlerden alınan biyoproses veya fermantasyon verileriyle ilgili deneyim

• Raman, NIR veya diğer spektroskopik veriler ve kemometriklerle (örn. PLS) deneyim

• Model tahminli kontrol, takviyeli öğrenme veya optimal kontrol konusunda arka plan

• Biyolojik veriler üzerinde transfer öğrenimi, alan uyarlaması veya temsil öğrenimi deneyimi

• Genom ölçeğinde metabolik modeller veya kinetik modellemeye aşinalık

• Bayes yöntemleri, belirsizlik ölçümü veya deney tasarımı konusunda deneyim

• İşbirliğine dayalı veya kamu tarafından finanse edilen araştırma projelerinde deneyim (örneğin, Horizon Europe, Eurostars)

Faydaları:

• Maaş + hisse senedi opsiyonları aracılığıyla rekabetçi ücretlendirme; küçük ama güçlü bir ekip kurmayı amaçlıyoruz ve bu doğrultuda ücretlendirmeyi düşünüyoruz;

• Araştırma profilinizi oluşturun: Çalışmanızı sunmak ve yayınlamak amacıyla önde gelen Avrupalı ​​akademik ve endüstriyel ortaklarla açık sorunlar üzerinde çalışın;

• Münih'in kalbinde güzel bir ofis veya ara sıra seyahatlerle uzaktan çalışma seçeneği

• eGym WellPass üyeliği

Arbeitnow'da Almanya'da İş Bulun

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