Инженер машинного обучения — Physics AI

Что предстоит делать

<p>Мы — <strong>toogeza</strong>, украинская рекрутинговая компания, специализирующаяся на подборе талантов и формировании команд для технологических стартапов по всему миру. Люди имеют значение в большой игре, и мы можем помочь найти нужных.</p><p>В настоящее время мы ищем <strong>Machine Learning Engineer — Physics AI</strong> для <strong>Zibra AI</strong>.</p><p><strong>Zibra AI</strong> — это deep-tech компания, разрабатывающая передовые технологии для работы с крупномасштабными 3D-данными. Команда имеет сильный опыт в области компьютерной графики и сжатия данных и сейчас расширяет свои технологии на промышленное моделирование и Physics AI.</p><p>Компания разрабатывает новый уровень инфраструктуры данных, который делает огромные научные и симуляционные наборы данных значительно проще для хранения, передачи, визуализации и использования для обучения ИИ.</p><p><br>Вы будете работать на стыке Physics AI, научных вычислений, ML-систем и сжатия данных. Основная часть роли — бенчмаркинг нашего кодека на различных архитектурах моделей, изучение того, как сжатие влияет на точность и эффективность обучения, а также исследование новых подходов к обучению непосредственно на сжатых представлениях.</p><h3><strong>Чем вы будете заниматься</strong></h3><ul><li>Бенчмаркинг нашей технологии сжатия на широком спектре <strong>архитектур и наборов данных Physics AI</strong>.</li><li>Запуск крупномасштабных экспериментов для CFD, турбулентности, погоды, инженерных и других научных ML-нагрузок.</li><li>Измерение влияния сжатия на:<br><ul><li>сходимость модели и итоговую точность;</li><li>пропускную способность обучения;</li><li>загрузку GPU;</li><li>нагрузку на CPU и загрузку данных;</li><li>требования к хранилищу и сети.</li></ul></li><li>Сравнение обучения на сжатых данных с традиционными конвейерами и альтернативными методами сжатия.</li><li>Исследование <strong>обучения непосредственно на сжатых или частично декодированных представлениях</strong>.</li><li>Изучение методов сэмплирования, аугментации, токенизации и архитектур моделей с учетом сжатия.</li><li>Разработка строгой, воспроизводимой методологии бенчмаркинга.</li><li>Интеграция сжатых наборов данных в PyTorch и распределенные рабочие процессы обучения.</li><li>Превращение экспериментальных результатов в продуктовые рекомендации и направления исследований.</li><li>Написание <strong>технических отчетов, публикаций о бенчмарках, постов в блогах и академических статей</strong>.</li><li>Сотрудничество с внешними исследовательскими группами и индустриальными партнерами по совместным оценкам.</li></ul><h3><strong>Кого мы ищем</strong></h3><ul><li><strong>Обязателен практический опыт работы с Physics AI / научным машинным обучением.</strong></li><li>Опыт обучения моделей на симуляционных или физико-научных наборах данных.</li><li>Сильный практический опыт работы с <strong>PyTorch</strong> и современными подходами к глубокому обучению.</li><li>Знакомство с такими архитектурами, как:<br><ul><li>нейронные операторы;</li><li>mesh GNN;</li><li>трансформеры для физических систем;</li><li>суррогатные модели;</li><li>фундаментальные модели для науки;</li><li>PINNs или связанные методы.</li></ul></li><li>Опыт работы с большими 3D/4D наборами данных, такими как объемные сетки, меши, облака точек или пространственно-временные поля.</li><li>Хорошее понимание производительности обучения на GPU, загрузчиков данных, профилирования и распределенного обучения.</li><li>Сильная экспериментальная методология и способность разрабатывать контролируемые бенчмарки.</li><li>Способность анализировать, как численная аппроксимация и предобработка влияют на качество модели.</li><li>Сильные навыки Python и научных вычислений.</li><li>Способность четко излагать результаты исследований в письменной технической форме.</li></ul><h3><strong>Будет плюсом</strong></h3><ul><li>Опыт работы с <strong>PhysicsNeMo</strong> или аналогичными научными ML-фреймворками.</li><li>Опыт в CFD, FEA, климате, турбулентности, горении или вычислительной физике.</li><li>Знание сжатия с потерями, квантования, анализа численных ошибок или обработки сигналов.</li><li>Опыт обучения на нескольких GPU или нескольких узлах.</li><li>Предыдущие академические публикации в области ML, научных вычислений, сжатия или смежных областях.</li></ul><p><br><strong>Если эта роль вам подходит</strong> — мы будем рады услышать вас! Просто отправьте свое резюме и все, что вы хотели бы, чтобы мы рассмотрели.</p><p>Мы рассмотрим все в течение <strong>пяти рабочих дней</strong>, и если ваш опыт соответствует нашим ожиданиям, мы свяжемся с вами, чтобы организовать звонок и лучше узнать друг друга.</p> <div> <a href="https://jobs.dou.ua/companies/toogeza/vacancies/372551/#reply-btn-id">Откликнуться на вакансию</a> </div>