Destinus er en europæisk flyve- og forsvarsvirksomhed, der udvikler autonome flyvesystemer til civile anvendelser og forsvarsformål. Virksomheden blev grundlagt i 2021 og designer og fremstiller flyveteknologier til flere hastighedsområder, herunder fremtidige hypersoniske platforme. Det tværfaglige arbejde samler blandt andet flyskrogsteknik, turbojetfremdrift, flyvesoftware, kunstig intelligens og komplet systemdesign. I takt med at Destinus udvider sit team, er der mulighed for at bidrage til udviklingen af autonome, effektive flysystemer med høj hastighed.
Maskinlæringsforsker inden for certificering af flyvesikkerhed
Forsker i matematiske sikkerhedsgarantier for AI til autonom flyvning hos Destinus og Daedalean. Forbind statistisk læringsteori med EASA's rammer for luftfartscertificering.
Beskrivelse
- Gennemgå og udvikle certificeringsstrategier for superviseret maskinlæring.
- Tilpas matematiske garantier, tekniske argumenter og modelevalueringer til EASA's W-formede certificeringsproces for AI.
- Undersøg statistisk læringsteori, generaliseringsgrænser og garantier for dybe neurale netværk under skiftende forhold i den virkelige verden.
- Brug statistik og stokastiske processer til at modellere usikkerhed i omgivelserne og sensorstøj samt vurdere sikkerheden af præstationsmålinger.
- Vurder forskningslitteratur, matematiske beviser og tekniske antagelser med samme grundighed som ved fagfællebedømmelse.
- Udarbejd tekniske begrundelser og logiske argumenter til sikkerhedsaudits og certificeringsrammer.
- Skriv reproducerbar Python-kode til at teste hypoteser, validere certificeringsmetoder og sammenligne rammer for modelsikkerhed.
Krav
- Have en dyb forståelse af statistisk læringsteori, generaliseringsgrænser og de matematiske grundlag for dybe neurale netværk.
- Have et stærkt fundament i avanceret sandsynlighedsregning, statistisk modellering og stokastiske processer.
- Være fortrolig med Python og kunne skrive klar, reproducerbar kode. Grundlæggende programmeringsfærdigheder kan læres på jobbet med et stærkt teoretisk fundament.
- Kunne foretage grundige litteraturgennemgange, finde huller i aktuel AI-forskning og omsætte akademiske begreber til tekniske rammer. Det kan læres med et stærkt kvantitativt fundament.
- Have erfaring med eller evne til fagfællebedømmelse, herunder kritisk vurdering af matematiske beviser, algoritmiske antagelser og forskningsartikler.
- Være i gang med eller for nylig have afsluttet en kandidat- eller ph.d.-uddannelse inden for datalogi, matematik, teoretisk statistik, elektroteknik, fysik eller et beslægtet kvantitativt forskningsområde.
- Tænke kritisk og være sundt skeptisk over for antagelser i maskinlæring og empirisk præcision.
- Være særdeles dygtig til at opbygge holdbare logiske argumenter og tekniske begrundelser.
- Være motiveret for at arbejde med matematiske problemstillinger inden for teoretisk datalogi, sikkerhedsteknik og praktisk flyveoperation.