Mobileye entwickelt fortschrittliche Fahrerassistenzsysteme und Technologien für autonomes Fahren für die Automobilindustrie. Das Unternehmen kombiniert Computer Vision, künstliche Intelligenz, eigene Hardware und Software, um die Fahrzeugsicherheit in verschiedenen Anwendungsbereichen zu unterstützen – von der Fahrerassistenz bis zum autonomen Betrieb. Die Systeme von Mobileye sind in mehr als 190 Millionen Fahrzeugen eingesetzt und unterstreichen damit die Rolle des Unternehmens bei der Einführung bildbasierter Automobiltechnologien in der Serienproduktion.
Applied-AI-Forscher: Visuelle GenAI bei Mobileye (Hybrid, Israel)
Entwickeln Sie visuelle GenAI, Diffusionsmodelle und Computer Vision für die Technologie des autonomen Fahrens von Mobileye weiter. Erstellen Sie Lösungen für synthetische Daten mit proprietären Datensätzen und einer umfangreichen Computing-Infrastruktur.
Beschreibung
- Verantwortung für den gesamten Entwicklungszyklus – vom Training generativer Modelle bis zur Anpassung modernster Architekturen für reale Anwendungen im autonomen Fahren.
- Erforschen, bewerten und verbessern Sie GenAI- und Computer-Vision-Modelle durch skalierbare, sauber implementierte Python-Lösungen.
- Arbeiten Sie mit KI-Forschenden und Wahrnehmungsteams zusammen, um synthetische Daten in realen KI-Systemen einzusetzen.
- Verfolgen Sie aktuelle Entwicklungen in den Bereichen künstliche Intelligenz, generative Modellierung und Computer Vision.
- Entwickeln Sie GenAI-Lösungen mit großen proprietären Datensätzen und einer leistungsstarken Computing-Infrastruktur für Anwendungen in autonomen Fahrzeugen.
Anforderungen
- Master- oder Doktorgrad in Informatik, Elektrotechnik oder einem verwandten Fachgebiet.
- Mindestens drei Jahre Berufserfahrung in Deep Learning und Computer Vision.
- Fortgeschrittene Kenntnisse in Python und PyTorch.
- Ausgeprägte Fähigkeiten in Problemlösung, Forschung und analytischem Denken.
- Praktische Erfahrung mit generativen KI-Techniken wie Diffusionsmodellen und GANs.
- Erfahrung mit Vision-Language-Modellen und multimodalem Lernen.
- Veröffentlichungen auf führenden Konferenzen wie CVPR, NeurIPS oder ECCV.
- Praktische Erfahrung mit Linux, AWS, Docker und virtuellen Umgebungen.
- Kenntnisse traditioneller Computer-Vision-Methoden.