Destinus to europejska firma z branży lotniczej i obronnej, rozwijająca autonomiczne systemy lotnicze do zastosowań cywilnych i obronnych. Założona w 2021 roku firma projektuje i produkuje technologie lotnicze obejmujące różne zakresy prędkości, w tym przyszłe platformy hipersoniczne. Jej interdyscyplinarna działalność łączy inżynierię płatowców, napęd turboodrzutowy, oprogramowanie do sterowania lotem, sztuczną inteligencję oraz kompleksowe projektowanie systemów. Wraz z rozwojem zespołu Destinus oferuje możliwość udziału w tworzeniu autonomicznych, wydajnych i szybkich systemów lotniczych.
Badacz uczenia maszynowego w obszarze certyfikacji bezpieczeństwa lotniczego
Badaj matematyczne gwarancje bezpieczeństwa AI dla lotów autonomicznych w Destinus i Daedalean. Łącz teorię uczenia statystycznego z ramami certyfikacji lotniczej EASA.
Opis
- Analizuj i opracowuj strategie certyfikacji nadzorowanego uczenia maszynowego.
- Dopasowuj gwarancje matematyczne, argumentację techniczną i ewaluację modeli do procesu certyfikacji AI EASA w kształcie litery W.
- Badaj teorię uczenia statystycznego, granice generalizacji i gwarancje dla głębokich sieci neuronowych w zmiennych warunkach rzeczywistych.
- Wykorzystuj statystykę i procesy stochastyczne do modelowania niepewności środowiska oraz szumu czujników, a także do oceny wiarygodności metryk wydajności.
- Oceniaj literaturę naukową, dowody matematyczne i założenia inżynierskie z rygorem właściwym recenzji naukowej.
- Opracowuj uzasadnienia techniczne i argumenty logiczne na potrzeby audytów bezpieczeństwa oraz ram certyfikacyjnych.
- Pisz odtwarzalny kod w Pythonie do testowania hipotez, walidacji metod certyfikacji i porównawczej oceny ram certyfikacji bezpieczeństwa modeli.
Wymagania
- Dogłębnie rozumieć teorię uczenia statystycznego, granice generalizacji i matematyczne podstawy głębokich sieci neuronowych.
- Mieć solidne podstawy zaawansowanego rachunku prawdopodobieństwa, modelowania statystycznego i procesów stochastycznych.
- Znać Pythona i umieć pisać czytelny, odtwarzalny kod; przy mocnych podstawach teoretycznych podstaw programowania można nauczyć się w pracy.
- Umieć dokładnie analizować literaturę, wskazywać luki we współczesnych badaniach nad AI i przekładać koncepcje akademickie na ramy inżynierskie; można się tego nauczyć przy solidnym przygotowaniu ilościowym.
- Mieć doświadczenie lub predyspozycje do recenzowania, w tym krytycznej oceny dowodów matematycznych, założeń algorytmicznych i publikacji naukowych.
- Być w trakcie studiów magisterskich lub doktoranckich albo niedawno uzyskać tytuł magistra lub stopień doktora w dziedzinie informatyki, matematyki, statystyki teoretycznej, elektrotechniki, fizyki lub pokrewnej ilościowej dziedzinie badawczej.
- Myśleć krytycznie i zachowywać zdrowy sceptycyzm wobec założeń uczenia maszynowego oraz trafności wyników empirycznych.
- Wyróżniać się umiejętnością budowania solidnych argumentów logicznych i uzasadnień technicznych.
- Mieć motywację do rozwiązywania problemów matematycznych na styku informatyki teoretycznej, inżynierii bezpieczeństwa i rzeczywistych operacji lotniczych.