A Thermo Fisher Scientific tudományos műszereket, reagenseket, fogyóeszközöket és szoftverszolgáltatásokat fejleszt és szállít az élettudományok, az egészségügy és az analitikai kémia területén működő szervezetek számára. Termékportfóliója támogatja a laboratóriumi kutatást és a gyártást, többek között a diagnosztika, a laboratóriumi munkafolyamatok automatizálása és a gyógyszerkutatás terén. A vállalat termékeit és szolgáltatásait kutatási és egészségügyi csapatok használják összetett laboratóriumi folyamatok kezelésére és a tudományos fejlődés előmozdítására.
Fizikai MI kutatási gyakornok (távmunka, Egyesült Államok)
Kutatással és fejlesztéssel foglalkozhat fizikai MI-rendszereken a számítógépes látás, a látás-nyelv modellek, a 3D-észlelés és a robotika területén. A kísérleti munkát reprodukálható kóddá, telepíthető szolgáltatásokká, értékelési jelentésekké és bemutatókká alakíthatja.
Leírás
- Modellek fejlesztése és finomhangolása detektáláshoz, követéshez, szegmentáláshoz, póz- és tevékenységfelismeréshez, valamint jelenetértelmezéshez
- Látás-nyelv modellek betanítása és értékelése lehorgonyzáshoz, sűrű képaláírás-készítéshez, időbeli kérdésmegválaszoláshoz és eszközhasználathoz
- Visszakereséssel bővített és ágensalapú munkafolyamatok létrehozása az észleléshez és a cselekvéshez
- Észlelésvezérelt irányítási stratégiák prototípusának elkészítése szimulált és valós környezetből származó adatokkal
- Az észlelési rendszerek összekapcsolása tervezőkkel és feladatgráfokkal manipulációs, navigációs és biztonsági alkalmazásokhoz
- Adatkészletek előkészítése, értékelési módszerek és KPI-k meghatározása, valamint ablation vizsgálatok végzése
- Kutatási rendszerek megbízható szolgáltatásként történő telepítése Kubernetes, Docker, Ray és FastAPI használatával
- Profilozás, telemetria és folyamatos integráció megvalósítása a reprodukálható kutatás támogatására
- Többágenses folyamatok koordinálása az észlelés, a következtetés, a szimuláció és a kódgenerálás között
- Videóértés, 3D-s jelenetlehorgonyzás, peremhálózati következtetés, multimodális értékelés és a szimulációból a valós környezetbe átültetett irányítási stratégiák teljesítményének vizsgálata
- Publikálható vagy nyílt forráskódú kutatások, gyártásra kész komponensek, reprodukálható implementációk, értékelési jelentések és bemutatók készítése
Követelmények
- Számítástechnikai, villamosmérnöki, robotikai vagy kapcsolódó területen mesterképzésben vagy doktori képzésben való részvétel, valamint aktív publikációk számítógépes látás, gépi tanulás vagy robotika témakörében
- Haladó szintű Python- és PyTorch- vagy JAX-ismeretek, beleértve a CUDA-profilozás és a vegyes pontosságú tanítás ismeretét
- Kutatási tapasztalat számítógépes látás területén, valamint legalább egy olyan területen, mint a látás-nyelv modellek, a megtestesített vagy fizikai MI, illetve a 3D-észlelés
- Képesség publikált kutatások implementációvá, ablation vizsgálatokká és szigorúan nyomon követett eredményekké alakítására
- Tapasztalat videómodellekkel, diffúziós modellekkel, 3D Gaussian Splattinggel vagy NeRF-fel, SLAM-mel, illetve jelenetrekonstrukcióval
- Korábbi munka multimodális lehorgonyzással vagy időbeli következtetéssel
- A ROS2, a DeepStream vagy a TAO ismerete, illetve a TensorRT vagy az ONNX használatával végzett peremhálózati következtetés-optimalizálási tapasztalat
- Tapasztalat skálázható tanítással Ray, elosztott adatbetöltők vagy particionált ellenőrzőpontok használatával
- Erős szoftverfejlesztési gyakorlatok, beleértve a tesztelést, a lintelést, a profilozást, a konténerizációt és a reprodukálhatóságot
- Nyilvánosan elérhető technikai munka, például GitHub-projektek, első szerzős publikációk vagy jelentős nyílt forráskódú hozzájárulások