Ang Thermo Fisher Scientific ay bumubuo at nagsusuplay ng mga instrumentong pang-agham, reagent, consumable, at serbisyo ng software para sa mga organisasyong nagtatrabaho sa larangan ng life sciences, pangangalagang pangkalusugan, at analytical chemistry. Sinusuportahan ng portfolio nito ang pananaliksik at produksyon sa laboratoryo, na may mga aplikasyon mula sa diagnostics at automation ng mga proseso sa laboratoryo hanggang sa pagtuklas ng gamot. Ginagamit ang mga produkto at serbisyo nito upang tulungan ang mga pangkat sa pananaliksik at pangangalagang pangkalusugan na pamahalaan ang masalimuot na proseso sa laboratoryo at isulong ang siyentipikong pag-unlad.
Intern sa Pananaliksik ng Pisikal na AI (Remote, Estados Unidos)
Magsaliksik at bumuo ng mga pisikal na AI system na sumasaklaw sa computer vision, vision-language model, 3D perception, at robotics. Gawing reproducible na code, deployable na serbisyo, evaluation report, at demonstrasyon ang mga eksperimental na gawain.
Paglalarawan
- Bumuo at mag-fine-tune ng mga modelo para sa detection, tracking, segmentation, pagkilala ng pose at aktibidad, at pag-unawa sa eksena
- Magsanay at magsuri ng mga vision-language model para sa grounding, dense captioning, temporal question answering, at paggamit ng tool
- Lumikha ng retrieval-augmented at agent-based na workflow para sa perception at pagkilos
- Magprototype ng mga perception-driven control policy gamit ang simulated at real-world na data
- Ikonekta ang mga perception system sa mga planner at task graph para sa mga aplikasyon sa manipulation, navigation, at kaligtasan
- Maghanda ng mga dataset, magtakda ng mga paraan ng pagsusuri at KPI, at magsagawa ng ablation study
- I-deploy ang mga research system bilang maaasahang serbisyo gamit ang Kubernetes, Docker, Ray, at FastAPI
- Magpatupad ng profiling, telemetry, at continuous integration upang suportahan ang reproducible na pananaliksik
- I-coordinate ang mga multi-agent pipeline sa perception, reasoning, simulation, at code generation
- Magsaliksik sa video understanding, 3D scene grounding, edge inference, multimodal assessment, at pagganap ng sim-to-real policy
- Gumawa ng research na maaaring mailathala o maging open source, production-ready na component, reproducible na implementasyon, evaluation report, at demo
Mga Kinakailangan
- Kumukuha ng master’s o Ph.D. sa computer science, electrical engineering, robotics, o kaugnay na larangan, na may aktibong mga publikasyon sa computer vision, machine learning, o robotics
- Mahusay sa Python at PyTorch o JAX, kabilang ang pamilyaridad sa CUDA profiling at mixed-precision training
- May karanasan sa pananaliksik sa computer vision at kahit isang larangan tulad ng vision-language model, embodied o physical AI, o 3D perception
- Kayang gawing implementasyon ang nailathalang pananaliksik, magsagawa ng ablation study, at masusing subaybayan ang mga resulta
- May karanasan sa video model, diffusion, 3D Gaussian Splatting o NeRF, SLAM, o scene reconstruction
- May dating karanasan sa multimodal grounding o temporal reasoning
- Pamilyar sa ROS2, DeepStream o TAO, o edge-inference optimization gamit ang TensorRT o ONNX
- May karanasan sa scalable training gamit ang Ray, distributed data loader, o sharded checkpoint
- May matibay na kasanayan sa software engineering, kabilang ang testing, linting, profiling, containerization, at reproducibility
- May pampublikong teknikal na gawain tulad ng mga proyekto sa GitHub, publikasyong first-author, o malalaking kontribusyon sa open source